用途：为输出为响应的AI系统（助手、对话智能体、检索增强应用）设计评估数据集与配套文档，衡量系统能否完成本职工作、按需拒答，并在压力下保持可接受行为。数据集被视为长期客户产物，其范围、平衡与理由需记录而非默认。
主要能力：按访谈参考逐题开展范围访谈（一次一问，不批量合并），先给出结构化摘要并获明确确认；据确认范围推导难度分布并按风险调整默认值；按契约模板生成机器可读的JSON与CSV数据集；用校验脚本核对；抽样走查并收集反馈后修订；产出一个分节评估指南，含整理说明、指标选择理由与工具建议；必要时通过当前评估器研究获取最新评估器名称、可用性、预览状态与平台兼容信息。
使用方式：先读访谈与评审文档完成范围界定；用 uv run python scripts/validate_evaluation_dataset.py --json <dataset.json> --csv <dataset.csv> 校验机器事实；每对记录类别、难度、期望行为及相关工具；拒答与安全用例需写明应执行的具体动作；所有持久化写入需经工作流扫描关卡。
适用场景：对话与检索类AI系统的评估集建设及文档化。训练模型的预测性能评估属其他职责范围。
限制：访谈摘要未经确认不得生成数据集；不得编造接地来源内容；不得包含真实客户数据、凭据与个人信息；外部评估器目录非冻结状态；不得代替评委勾选人工评审框；扫描关卡不可用或报高风险时停止写入。其他信息暂未提供。