用途：指导 Stackbone 评测闭环——先建什么、哪个界面能建、如何读结论，用于衡量智能体或工作流是否有效、改动是否带来提升。
事实来源：文档通过 MCP 的 stackbone-docs 服务器提供（https://docs.stackbone.ai/mcp，公开，工具为 search_docs、get_doc、list_docs），stackbone docs 打印连接信息。先 list_docs，再取路径后 get_doc；不要凭记忆输入路径。准则目录不在文档而在运行环境上，写套装前先向环境索取。已安装版本的 --help 优先于文档，不要凭记忆解释退出码。会话中没有 stackbone-docs 工具时，可获取 https://docs.stackbone.ai/llms.txt（每页一行的索引）或 https://docs.stackbone.ai/llms-full.txt（约 700 KB）。
连接环境：claude mcp add --transport http my-box http://127.0.0.1:4242/mcp。按名称操作而非扫描：list_operations 有上限，超过返回 catalog_too_large，需传 tag: "evals"，读用 call_read_operation，写用 call_write_operation。
各界面能力：CLI 不能构建评测，只启动他人写好的套装并转为退出码；盒子 MCP 与 Studio 可建用例列表、用例、CSV 导入、版本历史、套装与准则，盒子还能干跑单条准则设置、启动双变体对比、取消运行，Studio 可读逐变体对比表。
从零到对比：先在 Studio 设置模型提供方、评判模型与模拟器模型（后两者可选，建议设置并区分）。读环境目录，建用例列表并用真实运行的“Save as test case”播种。写套装：目标、用例列表（固定版本）、准则、重复次数、每次上限与及格线。冒烟：stackbone eval <suite> --agent <id> --json --git-sha "$(git rev-parse HEAD)"。模型内置于 bundle，比较两个模型需发布两次；提示词比较需发布 A 跑一次、发布 B 再跑一次。对比从环境启动两个变体，再在 Studio 运行详情看并排表。
术语：评分器（准则）将某用例答案判为通过、失败或无可评判；用例通过需所有准则通过。数据集版本为写时复制，每次编辑生成不可变版本。变体是同一批用例上的带标签配置，最多两个；不同模型、提示词版本或评判模型会被拒。人格模拟器在用例提问时代答，用例自带回复先按序原样回放。轨迹记录工具、工作流步骤、子智能体的名称与顺序，不比较参数。
规则：仅盒子 MCP 会先询问确认（启动消耗预算），无法询问则返回 confirmation_unavailable；Studio 显示计划与大致花费；CLI 两者都不做，stackbone eval 不在 --yes 之后，回车即开始花费。计划为用例×重复×变体，再有评判器翻倍。取消是更便宜的闸门；Ctrl-C 与 --timeout 只停 CLI 监视器，不停运行，需正确取消。已完成的运行若少于计划仍是红闸，要看计数。准则干跑不存任何东西但仍属写操作。有四种结论，stopped 不等于 failed，先读每用例原因再判定回归。运行对上次与变体对比是两种读法，后者只在 Studio，无操作返回。
向用户说明：启动前用两三句话说明衡量什么、在哪些界面看到、哪些只有用户能决定（是否花费、列 B 指向哪）；之后一句话说明得分、结论界面与下次运行需超过的基线。不覆盖：模型周边代码测试、模型选择与定价、被测智能体或工作流的编写。