LLM-as-judge 是一个技能，用于评估那些无法用确定性测试验证的主观质量标准，例如语气、视觉美感、用户体验感受、文档清晰度和代码可读性。它通过定义评分量规，让 LLM 评审员进行结构化、可重复的评估，从而一致地衡量主观质量。
用途：当评估需要判断而非布尔断言时使用。若可写布尔断言，应使用确定性测试。该技能通过四阶段流程运作。
阶段一：判断评估方法。确认标准确实主观、确定性测试已被排除、并已确定待评估的具体产物后方可继续。
阶段二：定义量规。定义 3-5 个评估维度、分配权重（总和须为 1.0）、为每个维度定义锚点（1=最差，5=合格，10=最佳），并设定通过阈值。阈值可选用最低可行 5.0、生产质量 7.0、卓越 8.5。须在评估前设定阈值。
阶段三：评估。将产物与量规提交给 LLM 评审员。评审请求包含 criteria、artifact、rubric（含 dimension、weight、description）、passing_threshold 和 intelligence 字段。评审响应包含每个维度的 scores、reasoning、加权总分、pass、summary 和 suggestions。须为每个评分提供理由并计算加权总分。
阶段四：迭代或接受。通过则接受；临界失败（1 分以内）应用建议并重新评估一次；明显失败（低于 1 分以上）进行重大修订并应用所有建议，最多两次；重复失败（3 次以上）则升级，可能需要调整量规或方法。
该技能提供多种常用量规模板，包括文档质量（清晰度 0.3、准确性 0.3、完整性 0.2、示例 0.2，阈值 7.0）、错误消息质量（帮助性 0.4、清晰度 0.3、语气 0.2、可操作性 0.1，阈值 7.5）、代码可读性（命名 0.3、结构 0.3、简洁性 0.2、文档 0.2，阈值 7.0）以及 UX 文案（清晰度 0.3、简洁性 0.2、语气 0.2、可操作性 0.2、无障碍性 0.1，阈值 7.5）。
常见反模式包括：对可测量标准使用 LLM 评审、量规维度模糊、未定义通过阈值、为通过而调整量规、单次评估无理由、使用较弱模型评估、变更后跳过重新评估。该技能可与验收测试、规格编写、代码审查、完成前验证等集成，用于处理主观验收标准。