用途：系统化评估 DSPy 程序，使用内置与自定义指标并支持并行执行。适用于优化前后测量性能、比较程序变体、建立基线和验证生产就绪度。可与 dspy-bootstrap-fewshot、dspy-miprov2-optimizer、dspy-gepa-reflective 等优化器配合，也可评估 dspy-rag-pipeline。
主要能力：输入为 program（dspy.Module）、devset（list[dspy.Example]）、metric（callable）、num_threads（int）；输出 score（平均指标分）与 results（逐例结果）。内置指标包括 answer_exact_match（归一化、大小写不敏感比较）和 SemanticF1（基于 LLM 的语义评估）。支持自定义指标，返回 bool、int 或 float；也支持 GEPA 兼容指标，返回含 score 与 feedback 的 dspy.Prediction。
使用方式：从 dspy.evaluate 导入 Evaluate，传入 devset、metric、num_threads、display_progress 构造评估器，再以 evaluator(my_program) 运行，读取 result.score 与 result.results（example、prediction、score 元组）。可封装为 EvaluationSuite，实现 evaluate、compare（按分数排名比较多个程序）和 export_report（导出 JSON 报告）。
限制：指标依赖具体任务，无通用度量；SemanticF1 需调用 LLM 产生成本；并行评估可能触发速率限制；边缘情况可能未被覆盖。官方文档见 https://dspy.ai/ 、https://github.com/stanfordnlp/dspy 、https://dspy.ai/api/evaluation/ 、https://dspy.ai/learn/evaluation/metrics/ 。