用途：该技能产出 /eval-guide 生命周期的 Generate 工件，即 Copilot Studio 评估标签页可导入的测试用例，以及携带完整清单的 .docx 测试用例报告，供人工评审和后续 Run/Interpret 阶段使用。它对应 10 步 playbook 的第 2 步（构建能力评估集）和第 3 步（构建信任与安全评估集），并设计第 8 步回归套件分区。
主要能力：优先读取已填写的 /eval-suite-planner 工作簿（eval-suite-<agent-name>-<date>.xlsx），以 Eval Suite Registry 为评估集事实来源，以 Planning 获取风险等级、负责人、门禁、生命周期阶段和来源依赖；每个能力行生成一组用例，每个信任与安全行生成一组用例。若无工作簿，可回退到叙述式计划；若两者都无，则接受纯文本智能体描述从零生成（至少 6–8 个用例，含至少一个对抗/信任与安全场景）。
数据模型：能力集（set_type=capability）按维度隔离，包括 accuracy_correctness、faithfulness_groundedness（含幻觉防护）、relevancy、style_tone、reasoning_tool_use；信任与安全集（set_type=trust_safety）单独成组，每集标记一个类别：guardrails、out_of_scope、sensitive_data、prompt_injection、compliance。幻觉属于忠实性/有据性能力失败，不归入信任与安全。
使用方式：默认单轮响应模式（约 80% 智能体适用，每集最多 100 用例，支持全部 7 种方法）；仅当智能体执行多步工作流、需要上下文保持或先澄清再回答时切换为多轮对话模式（每集最多 20 用例，每例最多 12 条消息即 6 组问答，仅支持 General quality、Keyword match、Capability use、Custom）。对话测试集无法通过 CSV 导入，需在 Copilot Studio 中通过 Quick conversation set、Full conversation set、Test chat → test set 或手动录入创建，本技能输出作为规划蓝图。
输出：每个评估集一个导入 CSV，命名为 eval-<set-type>-<set-slug>-<YYYY-MM-DD>-for-import.csv，导入 CSV 仅含 "Question","Expected response" 两列；另生成 .docx 清单报告。AI 生成的事实内容用 [VERIFY: ...] 标记，导出时按正则 [VERIFY:\s*([^]]*)] → $1 剥离。
限制：对话模式不支持 Compare meaning、Text similarity、Exact match；信任与安全集通常为硬门禁；事实、合规解释、敏感数据处理或政策拒绝行为需人工评审。具体收费、价格、平台支持范围等资料暂未提供。