用途：为智能体系统建立评估框架。智能体决策动态、多次运行结果不确定、常无唯一正确答案，因此评估方式不同于传统软件，需关注结果而非执行路径。
主要能力：支持确定性检查、回归套件、多维评分量表、质量门禁与生产持续评估；可验证上下文工程选择、衡量改进、部署前捕捉回归、比较不同智能体配置。
核心做法：以结果为导向，容忍路径差异；用多维量表分别评估事实准确性、完整性、引用准确性、来源质量、工具效率，再加权汇总；先做确定性校验（模式有效性、重复键、量表计算、清单同步、检索状态、必需证据路径），再交给模型评判。
测试集设计：早期用20-30个案例，成熟后扩至50个以上；按简单、中等、复杂、极复杂分层，并分别报告各层得分。
方法：LLM-as-Judge 用于规模化评估，评判模型应与被测模型不同族以避免自我增强偏差；辅以人工评估边缘案例与生产抽样；对有状态智能体采用终态评估。
持续评估：将评估集成到开发流程，自动运行、跟踪趋势、阻止指标回退的部署；生产环境抽样监控，设置警告（0.85通过率）与严重（0.70通过率）阈值。
限制与注意：避免过拟合特定路径、忽视边缘案例、单一指标、忽略上下文影响、跳过人工评估；注意测试集污染、指标博弈、评估集过小、未按难度分层、把评估当一次性工作。评判器设计、成对比较、校准与偏差缓解属于 advanced-evaluation；控制面、回滚与审批边界属于 harness-engineering；上下文退化调试属于 context-degradation。具体安装与使用命令资料未提供。