用途：在创建新技能后、将智能体部署到生产环境前、智能体行为不一致时，或对 AI 辅助工作进行 /qa-review 时，对技能、命令或智能体进行质量评估；也用于比较不同方法或模型。
主要能力：核心原则是智能体具有非确定性，应评估结果与推理质量而非具体执行路径。资料称三个因素解释 95% 的性能差异：token 用量（80%）、工具调用（10%）、模型选择（5%）。提供五维评分表：指令遵循 30%、输出完整性 25%、工具效率 20%、推理质量 15%、响应连贯性 10%；通过阈值为一般场景 0.70、关键操作 0.85。评估方法包括直接评分（快速）、LLM-as-Judge（可扩展）、成对比较（主观场景更可靠，需交换 A/B 顺序检测位置偏差）、压力测试（针对强制规则的技能，如时间压力、沉没成本、权威、疲惫等场景）。还包含偏差检测（位置偏差、长度偏差、自我增强、冗长偏差）与按任务类型的指标（通过/失败任务用精确率、召回率、F1；评分量表用 Spearman 相关 ρ>0.8；偏好用一致率与位置一致性）。
使用方式：直接评分时先写理由再给分，可提升可靠性 15-25%；LLM-as-Judge 使用评审提示模板，逐维度先解释推理再给 0.0-1.0 分并计算加权总分；成对比较需两轮交换顺序；压力测试针对规则型技能设计场景。测试用例按难度分层：简单、中等、困难、对抗性，并覆盖空输入、超长输入、歧义指令、冲突需求、超出技能范围等边界情况。
适用场景：部署前 QA、排查不一致行为、比较方法或模型、规模化系统评估。
限制：不适合一次性输出（人工审查更快）、创意工作（主观难以评分）、实时评估（会增加延迟）。资料未提供具体安装命令、收费或平台信息。