用途：围绕 Arize 平台管理评估实验，对某个数据集版本运行模型并收集输出与评估指标，从而比较不同模型或提示的性能。
主要能力：实验的增删改查（ax experiments list/get/create/delete）；导出全部 runs（ax experiments export，默认 REST，--all 走 Arrow Flight 批量传输）；通过 CSV、JSON、JSONL 或 Parquet 文件创建实验；将 runs 输出到 stdout 供 jq 等工具处理。核心概念包括 Experiment、Experiment Run、Dataset 和 Evaluation。
使用方式：实验每个 run 需包含必填的 example_id 与 output，可选 evaluations（label、score、explanation）与 metadata。典型流程为导出数据集、对每个示例调用真实模型 API 收集输出、整理 runs 后创建实验。创建示例：ax experiments create --name "gpt-4o-baseline" --dataset DATASET_NAME --space SPACE --file runs.json。--space 接受空间名或 base64 空间 ID。认证通过 ax profiles 管理，切勿读取 .env 或搜索文件系统找凭据。
适用场景：模型基线与候选对比、按示例定位回归、评估分数分布统计、将实验结果导入其它分析工具。
限制：必须调用用户指定的真实模型 API，禁止伪造或模拟输出、延迟或评分；不得预先检查版本、环境变量或配置文件；REST 导出每页上限 500 runs，超过需加 --all；分数比较建议每个评估器至少 30 个示例，样本不足时结果仅供参考；无法访问 API 时应停止并告知用户所需条件。