用途：为一个 LLM 系统或模型设计评测，或改变评测要测量的内容。产出的是「测量契约」——说明该评测支持哪个决策、揭示哪些行为与失败模式、在哪些用例上测、由哪些检查评分、在什么条件下运行、分辨率如何。若用户要求构建，还可在项目的 runner 中实现实际测量工具。
主要能力：
- 先确定决策与最小决策相关差异，据此定规模；无法指明决策或差异时记为探索性评测，数字只描述行为，不用于把关。
- 明确被评分的单元（用例、试验、回合、对话、任务完成）并计数；任务成功、策略合规、质量、成本、延迟分开报告。
- 先读真实输出再定失败类别，把分类法或既有基准的类别视为假设，区分「已观察」与「仅提出」。
- 用例集双向覆盖（该做与不该做的情形），每题给可观察的成功条件与能通过评分的参考解；按泛化单元切分数据，保留标注分歧。
- 能由规则判定的失败模式优先用代码检查（解析、schema、匹配、执行、状态查询），其余用模型评委；默认每个失败模式一个二元评委，明确通过与失败定义。
- 固定并记录所有影响结论的比较条件：请求与实际服务的模型版本、提示、工具与脚手架、解码设置、轮次/token/时间预算、成本与延迟的测量方式。
- 构建时在项目 runner 中实现用例、检查、评委与聚合，并用 oracle、null 及边界/无效/缺失输出跑通完整评分路径。
- 产出测量契约，在审计前标注为「提案：未经 evaluation-audit 检查」。
使用方式：设计请求返回提案；写用例、标签、评委或 runner 代码需用户明确请求；超出常开档或项目预算的支出须先说明。使用项目已有的 runner、记录与 schema，不新建 harness 或追踪框架。若请求实为修 runner、状态问题或对既有评测下结论，应转交相应负责方。对抗性评测与相关运行核算分别参见 adversarial evaluation design 与 evaluation-operations。
限制：本技能不为自己认证，启动、搁置或信任的结论属于 evaluation-audit；大用例集、可运行 runner 或自洽评委本身不构成可靠测量；模型生成的标签与用例在完成所需评审前仅算候选；本资料未提供具体价格、平台支持或安装命令。