用途：为生产环境中的 AI 功能建立持续回归评估，在提示词修改、模型升级或工具调整时捕捉行为退化，并通过门禁阻止有问题的合并。
主要能力：维护带版本的评估数据集；对基线与候选分别运行评估；按分层（stratum）比较指标并做显著性检验；用阈值门禁合并；将评估报告发布为 PR 评论；对模型升级做金丝雀发布。
核心流程：1) 维护版本化评估数据集；2) 每次变更在基线与候选上运行评估；3) 按分层比较指标并做显著性检验；4) 若某分层退化超过阈值则阻止合并。
显著性检验：小样本上的小幅下降可能是噪声，建议用 bootstrap 置信区间；通过/失败指标用 McNemar 检验，标量用配对 bootstrap。
阈值示例：任一分层下降≥3% 且 p<0.05 阻止合并；总体下降≥5% 且 p<0.05 阻止合并；单项从通过变失败需调查，通常阻止；置信区间显著变宽需调查。1-3% 下降为警告，需人工复核。
CI 集成：在 pull_request 触发的工作流中依次运行基线、候选与比较脚本，并上传评估报告工件，将报告作为 PR 评论发布。
基线管理：基线应作为真实存储的工件，按（提示词版本、模型、数据集版本）键存储；合并变更后更新基线。
限制与注意事项：部分评估项即使温度为 0 也不确定，可标记为 flaky、多次运行取多数票或修复评估项；避免告警疲劳，可将小幅漂移标为需复核而非阻止；出现真实退化时不要降低阈值、删除失败分层或跳过紧急 PR 的评估。资料未提供具体安装命令与价格信息。