用途：为 AI 提示词、LLM 调用、多模型对比及核心函数建立最小化评测基准，运行生产代码并输出到同目录 eval.md，供外部强模型或人工阅读真实输出后判断质量，而非由评测自动宣布胜出。
主要能力：直接导入生产函数、提示词常量与 schema，避免在 eval.ts 中重复提示词导致漂移；真实执行每个候选模型以采集延迟、token 与成本，不做估算；状态列仅表示执行正确性与 Zod schema 合规，不代表质量；汇总表只放机器可测的客观指标（延迟、输入/输出 token、成本、通过/失败），原始输出逐字呈现供独立判断；统一输出约束以保证公平比较；按 API 元数据计算含推理 token 的真实计费成本；支持默认只跑生产模型、--matrix 跑全部候选、--models=a,b 跑子集；结果写入 path.join(__dirname, 'eval.md')，便于 git diff 与编辑器渲染；终端输出进度，成功前缀 ✅、失败前缀 ❌，并打印最终路径。
使用方式：运行现有评测用 bun path/to/eval.ts（仅生产模型）、bun path/to/eval.ts --matrix（全部候选）或 bun path/to/eval.ts --models=model-a,model-b（指定模型）。新建评测时，若目标模块已有 eval.ts 则编辑其中的 TEST_CASES / CANDIDATE_MODELS；否则按目标类型选择模式：AI/LLM 功能用 Pattern A，需要自动质量评分用 Pattern B（独立裁判模型，不得与生成模型相同），同步/异步工具函数用 Pattern C。每个功能只保留一个 eval.ts，不拆分 eval.matrix.ts。
适用场景：多模型对比、提示词迭代、函数正确性与吞吐量评测。
限制：资料未提供具体安装步骤、依赖版本、支持的模型清单、价格数据或平台要求；评测质量判断依赖外部强模型或人工，不应使用生成模型的自评分。