用途：为 LangWatch 生成高质量合成评测数据集，目标是让数据看起来像该机器人真实生产流量，而非通用或教科书式问题。
主要能力：先做发现阶段，读取项目结构与应用代码、查看提示词（langwatch prompt list --format json）、检查 git 历史（git log --oneline -30）、搜索生产 trace（langwatch trace search --format json --limit 25，必要时 langwatch trace get <traceId> --format json）、查看已有数据集（langwatch dataset list --format json、langwatch dataset get <slug> --format json），并向用户索取 PDF、文档、已有数据集与已知失败模式。随后给出列设计、覆盖类别、行数与来源的计划，先预览 5-8 行，再生成完整 CSV。
使用方式：交互式推进，先发现再计划、预览、生成、上传。生成 CSV 建议用 Python 或 Node.js 脚本避免引号问题；上传命令为 langwatch dataset create "<dataset-name>" --columns "input:string,expected_output:string" --format json 与 langwatch dataset upload "<dataset-slug>" evaluation_dataset.csv，并用 langwatch dataset get <slug> --format json 验证。
适用场景：客服机器人、编码助手、RAG 知识库、多轮对话、护栏与对抗测试等评测数据构建。
限制：必须匹配该机器人系统提示的语气、长度与领域，禁止教科书式通用问题；行数建议 15-25 冒烟、50-100 标准、150-300 综合、30-50 回归；若 langwatch 缺失或上传失败，应说明上传未完成，不能把本地文件当作已上线。