用途：这是评测工作流的最后一步，在提示词变更、换模型或调整系统指令后，回答质量是提升、持平还是变差，作为上线前的门禁。
主要能力：自动在项目中查找黄金数据集、评判提示或评测脚本、基线结果文件、待测提示词及上下文文件；逐条运行当前提示词并用程序化规则或 LLM 评判器打分；与基线逐条对比，分为回退、改进、持续通过、已知失败四类；输出回归报告并给出部署建议。
使用方式：作为代码智能体运行，先搜索项目文件再向开发者索要缺失项。无黄金数据集时停止并建议先构建；无评判器时可退化为用标注评分标准做基础评测。无基线时为首轮运行，结果保存为基线，不做对比；有基线时做对比。数据集少于 10 条会提示结果仅具方向性。报告含各状态计数、回退与改进明细，以及部署建议：有回退则不建议部署，有改进无回退则建议带监控部署，全部持平则建议部署。确认后把结果保存为 eval-baseline.json。
适用场景：提示词迭代、模型替换、系统指令调整前的离线回归验证。
限制：离线评测只是门禁而非保证，无法覆盖数据集外的情况；回退是唯一硬性停止信号；更新基线需显式确认；数据集过小信号弱，且会随时间过时。具体评判器配置、运行环境与依赖暂未提供。