用途：帮助用户对 AI 智能体做严谨、可辩护的评估，把结果转化为明确的 go / no-go 决策。评估被视为产品纪律，要求在测试前先定义“好”的含义，选择恰当的度量方式，并对结果负责。
工作流程分五个阶段，需按顺序执行，不可跳过第一阶段：
- 定义“好”的含义：明确评估要支持的决策（是否发布、对比版本、捕获回归、满足合规门槛）、目标用户与关键任务，并为每个任务选择质量维度——正确性/有据可依、完整性、相关性、语气/格式/合规、工具或动作使用，并为每个维度写一行通过标准。产出为按优先级排列的场景清单。
- 按场景选择评分方法：选择能真正度量目标维度且成本最低的方法。无参考的整体质量用通用质量（LLM 评判）；需比较语义用语义比较；需检查特定事实用关键词匹配；检查工具调用用工具使用；需接近规范答案用文本相似度；短确定性输出用精确匹配；自定义通过/失败规则用自定义标准。长自由文本不应使用精确匹配或文本相似度；可在同一测试集组合多种方法。
- 构建测试集：初期用 5–30 个高影响用例快速迭代，稳定后扩展到 50–200+ 用于回归；覆盖正常路径、边界、改写和已知失败模式；参考应为最简短且含必要含义的关键词或评分细则，避免逐字匹配；不得写入密钥、个人数据或环境相关路径；注明用例所需的用户画像与鉴权上下文。
- 运行与解读：运行测试集，注意平台并发与每日限流；从总分和单条失败两个层面解读，按根因聚类（知识缺失、工具调用错误、依据不足、语气格式、期望答案过严），按用户影响 × 频率排优先级。
- 决策：产出简短可辩护的就绪总结，包含结论（Go / 有条件 Go / No-go）、各优先场景对照通过标准的通过率证据、仍开放的主要风险及清除方式、按序推荐的后续行动。评估只衡量正确性与质量，不替代负责任 AI、安全或内容政策审查。
Copilot Studio 相关：该技能面向 Microsoft Copilot Studio，其内置评估原生提供分级方法、测试集和配额；具体方法名、字段上限与配额需参考 references/copilot-studio-evaluation.md（例如约 1000 字符的预期响应上限和每智能体每日评估限流）。五阶段方法论适用于任何智能体，但具体方法名与限额属 Copilot Studio 特有。
限制：资料未提供安装命令、价格与平台支持范围等细节。