用途概括为 LLM 应用实施综合评估策略，涵盖自动指标、人工反馈与 LLM-as-Judge。提供 Python 评估套件对测试用例打分。助力回退检测、模型对比与生产信心建立。
业务领域
CodingOthers
技能形态
Workflow
业务领域
技能形态
技能解析
剖析技能的工作原理和产出物，快速判断你的场景与价值。
当你需要系统衡量 LLM 应用表现、对比模型或提示词、在部署前发现性能回退，或建立评估基线时使用。
EvaluationSuite 类异步对测试用例跑指标references/details.md结构化的评估框架，含指标分数与原始结果，支持回退检测、模型对比与生产发布信心。
使用场景
某团队修改 RAG 提示词后担心质量下降。他们用本技能构建含 BLEU、BERTScore 与接地性检查的评估套件，在固定测试集上跑改前改后分数，发现 recall@K 回退，拦截了一次劣质发布。
某创业公司对比两家 LLM 供应商的聊天机器人。借助本技能的人工维度与 LLM-as-Judge 配对模式，对 200 条查询评测准确性、流畅性和安全性，报告指导选型并建立质量基线。
技能关系
依赖关系读作「上一格指向下一格」。当前 Skill 位于第二格，上下分别是影响它与被它影响的 Skill。
第一层 · 这些 Skills 用了我
第二层 · 当前 Skill
第三层 · 我用了这些 Skills
在所属技能集的全局上下文中浏览当前 Skill 的关系。点击节点切换右侧详情,搜索框可快速定位技能。
技能文件