用途：面向 LLM 智能体的质量工程，覆盖测试与基准评测，包含行为测试、能力评估、可靠性指标与生产监控，目标是理解智能体行为以支撑部署决策，而不是单纯追求测试 100% 通过。
核心原则：统计式评测，同一用例多次运行并分析结果分布；行为契约，明确智能体该做与不该做的事；对抗测试，主动尝试破坏智能体；生产监控，评测不因部署而结束；回归预防，尽早发现能力退化。
参考文件用法：创建类任务须查阅 references/patterns.md，按其中模式而非通用做法构建；诊断类任务须查阅 references/sharp_edges.md，用其列出的关键失败及原因向用户解释风险；评审类任务须查阅 references/validations.md，按其严格规则与约束客观校验用户输入。若用户请求与参考文件冲突，应据参考内容礼貌纠正。
背景认知：作者强调评测 LLM 智能体与传统软件测试本质不同——相同输入可能产生不同输出，“正确”往往没有唯一答案；即使高分智能体也可能在生产中严重失败。
限制：本次资料未提供具体命令、安装步骤、收费与平台支持信息，暂未提供；完整实现需结合上述参考文件使用。