用途：设计贴近真实的多轮模拟数据集，评估对话智能体行为，适用于需要测试多轮交互而非单轮输出、跨用户画像对比表现、以及上线前验证目标达成与事实正确性的场景。
主要能力：评估器提供会话级评分，包括目标达成、信息获取、事实准确性、对话完整性与准则遵循；多轮数据集包含场景名、场景、画像、最大轮数、用户数据与事实；测试运行输出对话记录、评估结果与追踪链接。
使用方式：先选定核心评估器，创建 Type 为 Multi-turn 的数据集，配置 scenarioName、scenario、persona（Neutral/Friendly/Frustrated/Confused/Custom）、max turns（支持流程建议从 4-6 开始）以及模拟用户的 provider/model；添加模拟用户数据（table/json/text）与必传事实的事实校验字段；将评估器变量映射到场景字段、智能体回复和对话元数据；使用数据集 ID 通过已埋点的智能体代码运行模拟，再查看测试运行的通过/失败、评估分数、退出原因（目标达成/失败/放弃/达到最大轮数）及失败轮次的追踪。
场景模板字段：Scenario Name、Scenario、Persona、Max Turns（1-10）、Behaviour Instructions、User Data、Fact Checker、Success Conditions。数据集条目约定用 scenarioName 作标识、scenario 描述期望行为。
结果分析循环：定位失败场景与评估器，检查行为偏离的对话轮次，打开该轮追踪查看工具/LLM 行为，归类失败原因（策略、检索、工具、提示或编排），修复后用同一数据集重跑并与基线对比。
基线建议：先做 3-5 个高影响场景再扩展，同一场景跨多个画像运行，每次提示或模型发布前保留基线运行，持续跟踪成功率、平均延迟、成本与轮次效率。
限制：资料未提供具体收费、价格、平台支持范围及安装命令等信息。