用途：在已发布 goldset 后，把评测标准转为可执行代码，覆盖 PromptFoo 与 DeepEval 两种框架。
主要能力：读取 evals/{system}/goldset.json，将 pass_condition、fail_condition 及通过/失败示例映射为评分逻辑；为 PromptFoo 生成 Python 评分函数（evals/{system}/graders/check_.py），为 DeepEval 生成继承 BaseMetric 的自定义指标类；生成匹配单元测试（evals/{system}/tests/test_check_.py）；生成含 Tier 1 + Tier 2 结构的 config.js 或 config.py；最后自动移交给 /evals-validate。评分器严格返回 1.0 或 0.0。
使用方式：通过 /evals-implement 调用，可传 --system 指定 promptfoo 或 deepeval，--no-tests 跳过单元测试生成（不推荐）。执行中包含评分器自校准：运行 pytest evals/{system}/tests/，失败时自动调整提示词、正则或阈值，最多迭代 3 次；holdout.json 保持隔离；3 次内未达到 100% 训练准确率则报错并展示失败用例。
适用场景：goldset 通过 /evals-clarify 确认后；新增标准后重建评测套件；为评分器补充单元测试。不适用于 goldset 未发布，或仅执行评测（应使用 /evals-validate）。