用途：agentic-eval 提供让智能体评估并改进自身输出的模式，把单次生成升级为“生成→评估→批判→改进→输出”的迭代循环，适合代码、报告、分析等对准确性要求高的任务，以及存在明确成功标准或需符合风格、合规、格式规范的内容。
主要能力：一是基础反思，智能体按给定标准自我批判并改进，批判结果用结构化 JSON 输出以便可靠解析；二是评估器-优化器，将生成与评估拆成独立组件，按总分阈值决定是否继续优化；三是代码专用反思，先生成代码与 pytest 测试，再依据测试失败信息迭代修复。评估策略包括结果评估（判断是否达成预期结果）、LLM-as-Judge（比较排序两个输出）和评分量表（按加权维度打分）。
使用方式：资料给出 Python 函数与类示例，如 reflect_and_refine(task, criteria, max_iterations=3)、EvaluatorOptimizer(score_threshold=0.8) 的 generate/evaluate/optimize/run、CodeReflector.reflect_and_fix(spec, max_iterations=3)，以及 evaluate_outcome、llm_judge、evaluate_with_rubric 等函数。实施清单建议先定义评估标准或量表、设定“足够好”的分数阈值、配置最大迭代次数（默认 3），再实现生成、评估、优化函数并接好循环，同时加入收敛检测、记录全部迭代日志、优雅处理评估解析失败。
限制：资料未提供具体安装命令、依赖、平台支持、收费或价格信息，暂未提供。示例中的 llm、run_tests、json 等为示意调用，需自行接入实际模型与测试运行环境；迭代上限建议 3-5 次以防死循环，并在分数不再提升时停止。