用途：为 AI 功能建立质量保障体系，覆盖评估标准定义、输出质量衡量、AI-as-judge、生产监控、漂移检测与用户反馈闭环。核心原则是评估驱动开发，先定义“好”的标准再构建。
主要能力：定义评估契约（任务定义、业务指标、质量指标、系统指标、安全指标、发布阈值、回滚触发条件）；按格式、事实准确性、安全性、指令遵循、相关性、成本、延迟等维度评估；设计评估数据集（开发、发布门禁、对抗测试、生产监控分开）；建立发布门禁（提示/模型变更、新工具/动作、RAG/索引变更、微调、生产上线）；创建黄金测试集；运行无 LLM 成本的自动化评估；使用 AI-as-judge；生产监控指标与告警阈值；漂移检测；收集用户反馈信号。
使用方式：先读 SKILL.md，再按需加载引用的深入文件；按有序指引、检查清单和决策规则执行，而非挑选孤立片段；产出交付物时明确假设、风险和后续工作。评估工作流：构建前定义标准、创建黄金测试集（20–50 个带预期输出的示例）、每次新模型/提示版本运行自动格式检查、运行 AI-as-judge 质量检查、与上一版本比较、监控生产、检测到漂移时重新训练/重写提示。
适用场景：为 AI 功能设置质量保障、衡量输出质量、使用 AI 作为评判者、监控生产 AI、检测漂移、构建用户反馈闭环。
限制：不适用于与 ai-evaluation 无关的任务，或更适合由更具体的配套技能处理的任务；仅需简单答案且本技能约束或参考无实质帮助时也不适用。需要收集相关项目上下文、约束和具体问题，并确认期望交付物。评估 harness 作为多租户 SaaS 控制平面服务的工程实现位于 ai-eval-harness。
反模式：把示例当作可直接复制的真理而不检查适配性、约束或失败模式；默认加载所有参考文件而非渐进式披露；没有黄金测试集；只测平均延迟；跳过评估以更快发布；没有提示版本管理；评判者与被评估者使用同一模型；没有用户反馈机制。