القائمة
当你在设计评估环境（工具调用型/人机交互型）和评估任务数据集、处理防泄漏、任务描述精确性、复杂度层次化、可验证性时使用。不适用于指标口径定义（见 eval-metrics）或评分方法（见 eval-llm-judge）。
يُحدَّد Prompt الذي يراجع المصدر أولًا بشكل افتراضي. يمكنك التبديل إلى أمر مباشر أو تنزيل نسخة محلية.
اقرأ SKILL.md وأي ملفات مرافقة يعرضها SkillsMP قبل أن تقرر التثبيت.
التثبيت باستخدام Codex أو Claude انسخ هذا Prompt والصقه في Codex أو Claude أو مساعد آخر ليراجع صفحة Skill ويثبّتها لك.
يتجاوز الأمر المباشر Prompt المخصّص للمراجعة. افحص المصدر قبل تشغيله.
npx skills add https://github.com/GongLingRui/agent-dev-skills --skill eval-datasetيبقى الأمر في سطر واحد. مرّر أفقيًا لمراجعته كاملًا قبل النسخ.
تفضّل نسخة محلية؟ نزّل الملفات المتاحة حاليًا لدى SkillsMP.
当你要判断 Agent 变好还是变坏、选择模型、决定是否上线某项改动时使用；当需要区分"模型能力不足"还是"Harness 设计缺陷"、或需要构建回归测试和评估数据集时使用。不适用于评估环境的代码实现细节（那是工程任务），聚焦于评估方法与决策。
当你要为生产级 Agent 建立可观测性（追踪、监控、日志、成本追踪、问题诊断）、或把生产轨迹回流为评估资产时使用；当 Agent 出问题无法定位、成本失控、需要 A/B 测试和提示词版本管理时使用。不适用于评估指标体系设计（见 eval-metrics）。
当你在设计 Agent 的安全防线、接入第三方工具/MCP/不可信输入、处理提示注入、越权操作、数据外泄时使用；当需要确定"谁能对什么数据做什么"的边界时使用。不适用于单一工具的参数校验实现（见 tool-design），聚焦分层防御架构与信任边界。
عرض SKILL.md
| name | eval-dataset |
| description | 当你在设计评估环境（工具调用型/人机交互型）和评估任务数据集、处理防泄漏、任务描述精确性、复杂度层次化、可验证性时使用。不适用于指标口径定义（见 eval-metrics）或评分方法（见 eval-llm-judge）。 |
面向搭建评估体系的 Agent 开发者。本 Skill 服务的目标：评估环境是"舞台"，数据集是"剧本"——剧本设计好坏往往比舞台更能决定评估价值。核心认识：一个设计糟糕的数据集，即使跑在完美环境里，得到的也只是噪声。
评估环境五要素 + 两种范式
五大核心挑战
防泄漏策略（按基准不同方法）
任务描述精确性设计
复杂度层次化 + 可验证性 + 质量控制
07-Agent的评估.md 第 7.2-7.3 节。