用途：在 Kibana 仓库中编写 LLM 评测规范（eval spec）文件，使用 @kbn/evals 提供的 Playwright evaluate fixture（而非 test）来组织数据集、任务与评估器。
主要能力：支持定义带类型输入、期望输出与元数据的 dataset；编写 task 函数调用 Kibana API 或模型连接器；提供多种评估器，包括确定性的 CODE 评估器、LLM-as-Judge 的 criteria、correctnessAnalysis、groundednessAnalysis、基于 trace 的 token/工具调用/延迟评估器，以及 RAG 的 precision/recall/F1 评估器。每个 evaluate.describe 必须带 tag（如 observability、security、search、stateful 等）。
使用方式：规范文件从 @kbn/evals 导入 evaluate、tags、selectEvaluators 等；若套件有自定义 src/evaluate.ts 则从该处导入。用 evaluate.beforeAll/afterAll 做一次性安装文档、创建 agent、加载归档及清理。可用 evaluateDataset 模式抽取共享的 task 与评估器接线。本地运行：node scripts/evals start，可加 --model、--judge、--grep 参数；服务已运行时用 node scripts/evals run。
适用场景：为 Kibana 各领域（可观测性、安全、搜索等）编写和扩展 LLM 评测套件。
限制与注意：evaluate.describe 必须带 tag，否则 Scout 运行时报错；afterAll 必须清理，否则残留 agent/文档污染后续运行；本地迭代避免数据集过大，用 --grep 定位单个 evaluate 块；套件有自定义 evaluate.ts 时不要从 @kbn/evals 导入 evaluate；trace 类评估器需 EDOT 运行。更多评估器示例见 references/evaluator-patterns.md，套件脚手架见 evals-create-suite 技能。