用途：为智能体系统构建评估框架，适用于系统化测试智能体表现、验证上下文工程选择、衡量随时间改进、部署前捕获回归、为智能体流水线建立质量门、比较不同配置以及持续评估生产系统。
主要能力：以结果为导向评估，应对非确定性与多条有效路径；多维评分标准，涵盖事实准确性、完整性、引用准确性、来源质量与工具效率；LLM 作为评判者实现规模化评估，人工评估捕捉边缘情况；端态评估用于会改变持久状态的智能体；测试集设计支持从真实使用模式采样、覆盖复杂度分层（简单、中等、复杂、极复杂）；上下文工程评估包括不同上下文策略对比与退化测试；持续评估流水线、生产监控与趋势分析。
使用方式：定义与用例相关的质量维度，创建带清晰可操作等级描述的评分标准，从真实使用模式与边缘情况构建测试集，实现自动化评估流水线，在变更前建立基线指标，对所有重大变更运行评估，长期跟踪指标，并用人工审查补充自动评估。资料给出示例函数 evaluate_agent_response 与测试集结构示例，可按需参考。
适用场景：智能体性能系统化测试、上下文工程选择验证、改进度量、回归检测、质量门建设、配置比较与生产持续评估。
限制：仅在任务明确匹配上述范围时使用；输出不应替代特定环境的验证、测试或专家审查；若缺少必要输入、权限、安全边界或成功标准，应停止并请求澄清。具体收费、价格、平台与效果资料暂未提供。