用途：帮助开发者从生产日志中构建黄金数据集（golden dataset），即一组经过人工确认的输入/输出样本，代表期望的良好行为，作为回归测试的基准。它是评估工作流 7 步中的第 6 步，上一步为 llm-judge-alignment，下一步为 llm-regression-runner。
主要能力：以代码智能体方式运行，先搜索项目中的日志、追踪、评估结果、已有数据集、评判提示词与上下文文件，再筛选候选样本。筛选逻辑为：全部评估通过的为主要候选，仅一项未通过的为次要候选，多项失败的排除。随后检查覆盖度，包括常见查询、边缘案例、已知已修复失败、低频高风险场景，并输出覆盖摘要。
使用方式：候选样本按每批 5–10 条呈现给开发者确认，未经明确批准不写入数据集。确认后保存为 JSONL（每条一行，适合大数据集）或 JSON 数组（适合 50 条以内），字段含 id、input、output、evals_passed、label、added。若已存在数据集则追加而非覆盖，保留原有条目与 ID，文件默认名为 golden-dataset.jsonl 或 golden-dataset.json。
适用场景：已有生产流量与评估结果、需要为提示词变更建立回归测试基准的团队。
限制：若日志未附带评估分数，需先运行评估；若无日志，可用合成输入引导，但应尽快替换为真实追踪。候选少于 20 条时会提示数据集可靠性不足。评估通过是必要条件但非充分条件，每条都需人工确认。建议逐步扩充至 50–100 条，并在每次提示词变更前运行回归测试。资料未提供具体安装命令、收费或平台信息。