用途：检查已有 LLM 评估是否可信、是否对准真实失败模式，避免评估通过但产品仍出问题。作为元技能，可在任意阶段运行，最适用于首次搭建评估后，或分数正常但产品体验异常时。
主要能力：以代码智能体方式运行，先在代码库与项目文件中查找评估产物，包括评判提示、评估配置、标注数据、问题报告、对齐结果、黄金数据集及上下文文件。随后按六个领域做诊断：评估来源（是否基于真实标注失败、是否单一维度）、评估类型适配（该用规则处是否误用 LLM 评判、规则是否被当作质量代理）、评判提示质量（是否有具体通过/失败定义、真实示例、要求给出理由）、评判对齐（是否用人工标注验证、是否达到 80% MCC 阈值）、标注健康度（每个评估的标注数量是否足够、是否含理由）、回归卫生（是否有黄金数据集、重大变更后是否重跑评估）。
使用方式：对每个检查项先查产物，仅在无法从现有材料判断时才询问开发者。若完全找不到产物，会提示导出外部平台评估文件，或建议先用 llm-evals-checklist 判断是否具备开始条件。最后输出发现报告，只列有问题的领域，按影响排序，并给出修复建议与相关技能（如 llm-issue-discovery、llm-judge-creator、llm-judge-alignment、llm-annotation-guide、llm-eval-type-selector）。
适用场景：评估分数正常但产品仍感觉异常；首次搭建评估后做体检；怀疑评判未经验证或评估过于笼统时。
限制：需要可访问的评估产物，否则只能给出通用建议；不替代实际修复，只做诊断与建议；未提供具体安装命令、收费或平台支持信息。