菜单
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）。
默认使用会先检查来源的 Prompt；你也可以切换为直接命令，或下载本地副本。
决定是否安装前，请先阅读 SKILL.md，以及 SkillsMP 当前展示的配套文件。
用 Codex 或 Claude 帮你安装 复制这段 Prompt，粘贴到 Codex、Claude 或其他助手里，让它检查 Skill 页面并帮你完成安装。
直接命令不会经过审查 Prompt；运行前请先检查来源。
npx skills add https://github.com/GongLingRui/agent-dev-skills --skill eval-dataset命令会保持在同一行。复制前请横向滚动并检查完整内容。
想先保存到本地？可下载 SkillsMP 当前能够提供的文件。
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。
正在显示 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。