用途：Quality Flywheel 是面向 GenAI 评估的专家技能，帮助用户使用 Google GenAI Evaluation SDK（google.genai / vertexai）评估并迭代改进模型与智能体。适用场景包括：用 client.evals.evaluate() 评估智能体或模型、创建合成数据集或导入会话轨迹、选择配置或编写自定义评估指标、分析评分与失败模式、根据评估结果提出代码或提示改进建议。
主要能力：支持单轮模型评估（EvalCase 加 prompt，可用 client.evals.run_inference 填充模型响应）与多轮智能体评估（AgentData、ConversationTurn、AgentEvent）。缺少多轮数据时，可用 client.evals.generate_user_scenarios 生成场景，并用 run_inference 配合 user_simulator_config 模拟交互至 max_turn。指标方面提供预定义 RubricMetric（服务端 AutoRater，无需评审模型）、自定义 LLM-as-a-judge（LLMMetric 或 MetricPromptBuilder）以及自定义代码指标（CodeExecutionMetric 远程沙箱，或 Metric 本地执行）。
使用方式：先获取 GCP Project ID 与 Location（检查 GOOGLE_CLOUD_PROJECT、GOOGLE_CLOUD_LOCATION，缺失则询问用户；较新 Gemini 模型可能仅 global 区域可用）。随后按工作流：创建并格式化数据集、选择或定制指标、生成并执行完整 Python 评估脚本（client.evals.evaluate(dataset=..., metrics=...)），脚本需以可解析格式（JSON）打印结果。再读取 stdout/stderr，仅分析实际返回的 summary_metrics 与 eval_case_results，进行损失模式分析，提出具体改进，然后复测并对比迭代。
限制与规则：不得编造分数或结果，只能分析脚本实际返回内容；写脚本前先输出计划，逐步执行而非一次完成；使用标准 Python 导入，不确定 SDK 类型或指标时应查源码而非猜测；执行报错需分析、修复并重跑。官方资料未提供具体收费、价格、平台支持范围或效果保证等信息。