用途：用 dspy.Evaluate 在带标注的 devset 上逐条运行 DSPy 程序并打分，衡量 AI 质量，再把同一指标交给优化器。
主要能力：内置指标包括 answer_exact_match（归一化字符串相等，比较 example.answer 与 prediction.answer）、answer_passage_match（RAG 检索命中，检查 prediction.context 是否含 example.answer）、SemanticF1（token 级 F1，需 example 与 prediction 都有 response 字段，构造参数 threshold=0.66、decompositional=False）、CompleteAndGrounded（LM 判断完整性与有据性，需 prediction 的 response 与 context、example 的 question 与 response，构造参数 threshold=0.66）。自定义指标签名为 def metric(example, prediction, trace=None)，返回 bool、int 或 float；trace 在评估时为 None、优化时被设置，可用于训练期更严格的要求。可做多字段评分、LM-as-judge、分级评分、复合加权指标与精确匹配加 LM 兜底的混合指标。
使用方式：from dspy.evaluate import Evaluate；evaluator = Evaluate(devset=devset, metric=metric, num_threads=4, display_table=5)；score = evaluator(my_program)。返回 EvaluationResult，用 .score 取 0-100 百分比，用 .results 取 (example, prediction, score) 元组以定位失败样例。LM 评委可用 dspy.context(lm=judge_lm) 指定独立模型。
适用场景：事实型问答、结构化输出、RAG 检索命中率、开放式问答、RAG 忠实度与完整性，以及优化前后对比。
限制：指标必须返回 float 或 bool，返回字符串会静默破坏评分；不要传 return_all_scores 或 return_outputs；SemanticF1 需 response 而非 answer；CompleteAndGrounded 缺 context 无法检查有据性；devset 少于 30 条结果不稳定，建议 50 条以上；LM 评委每条样例每次评估消耗一次 LM 调用，优化时成本倍增，应先用最便宜的指标。安装：npx skills add lebsral/DSPy-Programming-not-prompting-LMs-skills --skill <name>。