用途：对 LLM 流水线做质量评估。它把提示词跑在金标准数据集上，再用 oracle LLM-as-judge 打分，衡量输出质量、定位薄弱步骤并给出提示词改进建议。
主要能力：按内容一致性、结构匹配、细节准确性、完整性等可自定义维度加权评分；支持指定测试用例与步骤、覆盖流水线模型与评审模型、跳过流水线或跳过评估、并发评审、设置“需改进”阈值；输出 JSON、Markdown 及 CSV 报告，并保留中间结果。
使用方式：常用命令包括 /sc:evaluate（全量评估）、/sc:evaluate --cases=case_1,case_2 --steps=1,2,3（快速抽查）、/sc:evaluate --skip-pipeline（只重评已有结果）、/sc:evaluate --skip-eval（只生成输出）、/sc:evaluate --judge-model=gpt-4o（指定评审模型）、/sc:evaluate --dry-run（预览计划）。流程为发现评估脚本与金标准、配置范围、执行流水线、LLM 评审打分、分析结果、给出改进建议、生成报告。
适用场景：需要回归验证提示词或流水线质量、对比金标准、定位低分步骤并迭代提示词的开发与评估工作。
限制：需项目内存在评估脚本、金标准、提示词与评分标准，否则需手动指定路径；会产生 API 调用，全量运行前应估算调用量并先用少量用例验证；评审模型与流水线模型默认取环境配置；具体收费、价格与平台支持暂未提供。