用途：对提示词进行系统化评估，在标准 AI 基准上衡量提示词效果，并比较不同提示策略的准确率。
主要能力：内置 MATH（数学，准确率）、GSM8K（小学数学，准确率）、Game of 24（算术推理，成功率）、HumanEval（代码生成，pass@1）、MMLU（知识，准确率）等基准，并给出基线值与元提示目标值。提供 Game of 24、GSM8K、MATH 的评估实现，包括表达式校验、答案抽取与数学答案归一化。提供基准运行器，逐题记录响应、正确性与延迟，汇总准确率。
提示策略：包含 Chain-of-Thought、Tree-of-Thought 及 Game of 24 元提示模板，可对比 baseline、cot、tot、meta 等策略并按准确率排序输出。
统计分析：提供均值、标准差、95% 置信区间、最小/最大值，以及 bootstrap 置信区间。
使用方式：以 TypeScript 与 fp-ts 编写，通过 runBenchmark 传入基准配置与生成函数，用 comparePrompts 比较多个提示模板，结果可用 console.table 展示。
限制：资料未提供安装命令、依赖版本、运行环境要求、收费信息或具体平台支持；基准数据与目标值为资料中给出的参考值，实际效果需自行运行验证。