用途：这是 Google ADK 的评估指南，用于指导如何对 ADK 智能体运行评估并迭代改进。若项目由 /adk-scaffold 生成，已含 make eval、tests/eval/evalsets/ 与 tests/eval/eval_config.json，可从 make eval 开始；否则直接用 adk eval。
主要能力：覆盖 8 项评估指标，包括 tool_trajectory_avg_score、response_match_score、final_response_match_v2、rubric_based_final_response_quality_v1、rubric_based_tool_use_quality_v1、hallucinations_v1、safety_v1 等，支持匹配类型、自定义指标与评判模型配置。提供 evalset 结构（eval_set_id、eval_cases、conversation、intermediate_data.tool_uses、session_input.state 等）与 eval_config.json 配置示例。
使用方式：运行 make eval EVALSET=tests/eval/evalsets/my_evalset.json，或 adk eval ./app <evalset.json> --config_file_path=<config.json> --print_detailed_results；可指定用例 adk eval ./app my_evalset.json:eval_1,eval_2，或用 --eval_storage_uri 存到 GCS。评估集管理用 adk eval_set create 与 adk eval_set add_eval_case。
适用场景：回归测试与 CI/CD、语义响应正确性、无参考答案的响应质量、工具使用推理、幻觉检测、安全合规、多轮对话与多模态输入评估。
限制与注意：评估是迭代过程，通常需 5-10 次以上；多轮对话需为每一轮指定 tool_uses；App 名称必须与目录名一致，否则报 Session not found；session_input.state 会覆盖 Python 初始化，注意类型匹配；启用 thinking 的模型可能跳过工具调用；google_search 等模型内置工具会导致轨迹指标失效。更多细节见 references/criteria-guide.md、user-simulation.md、builtin-tools-eval.md、multimodal-eval.md。