用途：维护“黄金集”（golden set）——即 20-50 个最关键、一旦失败就说明重要功能损坏的评测用例，在每次 PR 上运行。适用于全量评测超过 10 分钟、需要快速冒烟检查、需要稳定参考“系统必须始终做到什么”，以及安全关键输出的场景。
主要能力：给出入选标准（代表核心用例、期望输出明确可判定、曾至少回归一次、具备区分度），并列出应拒绝的项（锦上添花、依赖时间/状态的 flaky 用例、所有候选模型都 100% 通过的项、真实用户不会提交的项）。给出规模建议：冒烟黄金集 20-30 项、2 分钟内跑完；核心黄金集 50-100 项、10 分钟内跑完；超过 100 项应归为回归集。还提供策划流程（PR 提议并附理由、2 名评审确认标签清晰、标签稳定性、至少一种模型/提示配置应失败）、评审节奏（每月审计新增项、每季度淘汰连续 6 个月 100% 通过的项、事故后补加用例）、淘汰标准与归档方式，以及黄金集与回归集、全量评测的区分。
使用方式：用例格式为 JSON，含 id、description、input、expected（contains/not_contains）、stratum、added、reason、severity 字段，每项可追溯到“为何是黄金项”。CI 示例为 GitHub Actions 工作流，运行 npm ci 与 npm run eval:golden，超时 5 分钟，任一黄金项失败即阻塞 PR。失败处理流程：本地在 main 复现、判断是输出错还是期望错、修 bug 或经第二名评审批准并附理由更新用例、flaky 项移入回归集，不得无跟踪地临时禁用。
限制：资料未提供具体安装命令、依赖版本、支持的模型或平台、收费与价格信息；示例中的 npm 脚本名与工作流仅为资料给出的写法，实际需按项目配置。