用途：测试大语言模型应用的任务质量、鲁棒性、安全性、事实性与版本回归，并对现有方案、结果或证据做风险评审，形成可执行改进项。输入不完整时，需先给出带假设与信息缺口的可用初版。
主要能力：输出默认 Markdown，可按要求改为表格、CSV、JSON 或工单格式，并保留风险、证据、优先级与边界字段；若进入自动化流程，需先确认字段 schema、枚举值与必填项。先做输入审计，区分已确认事实、合理假设与待确认问题，按风险与证据强度排序。
使用方式：先阅读并遵循 prompts/llm-testing.md 的输入、执行规则、最低覆盖清单与输出顺序；补充影响判断的范围、环境、版本、限制、证据与成功标准。评测或回归本技能时读取 evals/eval.yaml 及匹配的 evals/cases/ 用例；仅在目录存在且任务需要时读取 references/、examples/、scripts/ 或 output-formats.md。
约束与自检：避免只用精确字符串断言，固定并记录模型参数，对非确定性结果采用重复与分布判断；不编造输入中不存在的系统行为、字段、数据、指标或根因，关键结论须关联证据，证据不足时标记为假设并给出验证方法，优先级需说明业务影响、发生可能性或可探测性依据。交付前确认已覆盖指令遵循、事实性、鲁棒性、安全、偏见、上下文长度、多语言、随机性、成本延迟，并区分事实、假设、缺口与建议。
适用场景与限制：适用于评审、执行和持续补充，高风险项应有优先级、证据、负责人或下一步，输出需包含可验证判断标准，且不得执行未经授权的生产写操作或破坏性动作。其他细则暂未提供。