用途：作为 waza 评测的对话式工作流伙伴，引导用户完成从创建评测到判断技能是否可发布的全过程。
主要能力：通过 MCP 工具执行 waza 操作，包括列出评测套件（waza_eval_list）、获取评测规格（waza_eval_get）、校验 eval YAML（waza_eval_validate）、运行基准（waza_eval_run）、列出与轮询任务（waza_task_list、waza_run_status）、取消运行（waza_run_cancel）、获取汇总分数与逐任务结果（waza_results_summary、waza_results_runs）、检查技能合规（waza_skill_check）。
典型场景：新建评测（用 waza init <directory> 脚手架，定义 3–5 个任务覆盖正常、边界与错误路径）；运行并解读结果（通过率、加权分、耗时，低于 80% 时定位失败任务）；对比模型（分别运行不同模型并比较逐任务差异与耗时）；调试失败技能（先查合规，再用 --verbose 与 --transcript-dir 运行并分析失败模式）；发布就绪检查（输出包含技能合规、eval YAML 有效性、通过率 ≥90%、加权分 ≥0.85、无超时、多次运行一致性的清单与结论）。
使用方式：以对话方式提出需求，由助手调用上述 MCP 工具；评测通过率 ≥90% 视为较强，70–89% 需改进，低于 70% 存在明显问题。对比模型建议每个模型运行 2–3 次以降低波动影响。
限制：资料未提供支持的平台、安装方式、收费、价格或具体模型清单等信息。