用途：依据已批准的项目证据，产出或更新 AI 评估规范，明确代表性数据集、评估器、阈值、校准、回归门禁与证据，形成可评审的交接物。
主要能力：按 AI 功能清点评估套件（黄金集、对抗/红队集、评判 LLM 评分标准、校准集）；构建黄金集（来源可为生产流量快照、设计伙伴样本或专家撰写，需标注标注者、类别平衡与版本）；选择指标与阈值（如通过率≥90%、事实性≥0.92、引用率≥0.90、引用准确率≥0.95、弃答精确率≥0.80、弃答召回率≥0.70、毒性/安全违规率为 0、延迟 P95 与单次成本按条款）；规定评判 LLM 模式（与被测模型不同、评分标准简短离散、成对评判、对人工标签校准）；定义 CI 门禁（黄金集回归下降超过 N 个百分点，典型 N=2pp，或安全指标非零则不可合并）；安排定时回归（每晚黄金集、每周全红队，分数下降触发 SEV3）；A/B 提示评估；运营归属与版本追踪。
使用方式：确认交付物、消费者、范围、环境与权限；清点并校验来源；提取可追溯需求与可测验收标准；按决策规则起草规范、决策登记与证据记录；运行可用检查并仅在验收可观察时交接。输出文档 AI_Eval_Harness_Spec.md 含九个章节。
适用场景：AI 功能评估规范制定、发布前评估证据准备、回归门禁设计。
限制：默认只读；仅在明确授权时创建或编辑指定文档；生产变更、发布、认证声明需单独授权。缺少必需来源或权限时停在缺口登记，不得编造范围、阈值或负责人；不可运行的检查标记为未评估，不得记为通过。参考标准包括 OpenAI Evals、promptfoo/Anthropic 评估指南、NIST AI RMF MEASURE、ISO/IEC 42001 第 9 条。