能做什么

想让模型当裁判给输出打分，最容易踩的坑是打得不准还不自知。这个技能把 LLM-as-judge 拆成直接评分和成对比较两条路，讲清各有哪种任务该用哪条，并系统列出位置偏差、长度偏差、自我美化等偏差及对策，还给指标选型表、评分表生成和评估流水线设计。搭评估体系或做 A/B 测试时读它，能建立可复现的标准。

适用平台

Python 3（本地示例脚本 evaluation_example.py，无网络）

来源与安全

2026-11-04 安全审查：已通读 SKILL.md 与全部脚本，未发现风险点。（本站审查为技能上架时审查，非持续性监控，来源非本站可控，调用技能请自行甄别）