用途：在需要评估 Agent、RAG 或 LLM 方案、结果与证据集时使用，聚焦重复输入、版本/模型/提示词因素、不变量、方差证据和比较边界，产出可执行的改进建议。即使上下文不完整，也可先做有边界的首轮分析，并标注假设、缺口与需人工决策的边界。
主要能力：提取范围、环境、版本、时间窗、约束、成功标准与已有证据；区分已确认事实、有证据的推断、候选建议与人工决策，再按风险与证据强度排序；将高风险项转化为前置条件、步骤、预期行为或决策标准、所需证据与验证方法。输出默认按领域风险、证据状态、优先级和边界组织的 Markdown；如需表格、CSV、JSON 或工单字段，保留相同的发现字段、证据与决策边界，机器消费前先确认 schema、枚举、必填字段与证据来源。
使用方式：先阅读并遵循 prompts/llm-consistency-testing.md，其中包括输入审计、领域覆盖与输出顺序。固定样本 ID、模型/提示词/工具/数据版本、温度、seed（若支持）等采样参数，重复次数由项目提供。先检查结构不变量（schema、必填字段、枚举、策略），再用项目评分标准比较语义决策；允许的改述或顺序变化不算失败。报告重复试验分母、结构/语义失败数与每样本间歇性失败。方差需有具名数值变量、单位与公式。
参考文件：校准领域结果、有效控制或证据缺口时读 references/domain-decision-example.md；评估时读 evals/eval.yaml 及 evals/cases/ 下对应用例；仅当 references/、examples/、scripts/ 或 output-formats.md 存在且任务需要时加载。
限制：单一观测不能建立重复一致性；缺少评分标准时语义一致性为 UNKNOWN；参数/版本分组应分开而非合并作为稳定性证据。不得编造系统行为、字段、模型输出、数据、阈值、根因、执行记录或通过结论；静态设计、计划、文件存在或试运行不能作为真实执行证据。证据不足时使用待确认、受阻、未评估或 NOT_SCORED，并给出最小验证方法。用户数据、生产或安全工作应使用最小权限、脱敏、模拟、试运行或隔离。