evals-validate

用途：在已实现评估系统后，按 EDD 原则进行生产就绪性验证，覆盖统计分析、性能校验与质量保证。主要能力：一是统计验证，计算 TPR/TNR、准确率与 95% 置信区间；二是性能验证，检查评估金字塔各层的 SLA 合规（Tier 1 快于 30 秒，Tier 2 快于 5 分钟）并做余量分析；三是质量保证，检查金标集完整性、样本平衡与覆盖度；四是留存集验证，在保留测试集上做无偏准确率评估；完成后自动交接给 /evals-analyze 做闭环轨迹分析。使用方式：参数支持 --holdout-only（仅在留存集验证）、--performance-only（跳过统计、专注 SLA）、--metrics METRICS（指定 tpr、tnr、accuracy、performance）。执行分五阶段：先直接运行底层框架 CLI，如 PromptFoo 用 npx promptfoo eval --config evals/promptfoo/config.js，DeepEval 用 pytest evals/deepeval/ -v 或 python evals/deepeval/config.py；再解析 evals/results/ 的结果 JSON 计算 TPR/TNR 与准确率；然后检查 Tier1/Tier2 耗时与 SLA 余量；随后将结果写入 evals/results/validation_report.md，含通过/失败计数、TPR/TNR 表、SLA 时间与留存集结果；最后触发 /evals-analyze。适用场景：在 /evals-implement 之后执行评估套件、在 CI/CD 流水线中作为发布门禁防回归、定期审计评分器在留存数据上的准确性以发现模型漂移。限制：评分器未生成时不能使用，应先运行 /evals-implement；若目的是分析失败轨迹，应改用 /evals-analyze；不应让 Likert 量表或数值评分泄漏进结果。其他收费、价格、平台与部署细节资料中暂未提供。