用途：针对单个评测（eval）分析其测试覆盖率是否符合仓库测试约定，既能审查现有测试，也能创建缺失测试。调用时需提供 eval_name（一个或多个评测名，如 gpqa、healthbench），未提供则询问用户。
主要能力与工作流：
- 发现可测试组件：在 src/inspect_evals/<eval_name>/ 中用 AST 或 grep 扫描 @task、@solver、@scorer、@tool 装饰的函数，查找 record_to_sample、hf_dataset/load_dataset、csv_dataset/json_dataset 调用，检查 compose.yaml/docker-compose.yaml 与 sandbox() 用法，识别含复杂逻辑的工具函数及任务变体。
- 运行 autolint 与测量覆盖率：执行 uv run python tools/run_autolint.py <eval_name> 获取结构检查基线；执行 uv run pytest tests/<eval_name>/ --cov=src/inspect_evals/<eval_name> --cov-report=term-missing -q --runslow 获取行级覆盖率，并将未覆盖行分类为可测试、需 LLM/沙箱、死代码或错误处理。无固定覆盖率阈值，按“该路径若损坏能否被发现”判断。
- 评估测试质量：检查 scorer 是否验证正确与错误结果、沙箱与 LLM 评分器是否 mock、多评分器 reducer 与 dispatch 分支是否单独测试、是否使用 parametrize、solver 分支逻辑、工具错误路径（pytest.raises(ToolError)）、数据集测试是否用真实样本、E2E 变体覆盖及 pytest 标记（dataset_download、huggingface、docker、slow）。
- 报告缺口：按优先级列出 autolint 失败、重要未测逻辑、质量缺口。
- 创建或修复测试（如用户要求）：按 tests/<eval_name>/ 组织文件，参考 references/test-patterns.md 模板，创建后运行 pytest、ruff check/format、autolint 并重新测量覆盖率。
- 汇报结果：组件清单、autolint 结果、覆盖率、质量缺口、已采取行动与遗留项。
限制与注意：不要重复 autolint 已做的检查；不要过度测试仅包装 react() 或 Inspect 内置的薄封装（isinstance 足够）；含自定义逻辑的 solver/scorer/tool 必须测试；不要用裸字符串等（原文在此处截断）。具体测试模板与共享工具见仓库内 references/test-patterns.md 与 tests/utils/。