Evals

這一區收錄針對 LLM 行為與系統輸出的可重跑評測，用來驗證 prompt、retrieval、 tool-selection 等決策不會因模型或 metadata 變動而出現回歸。

適用情境

• 想知道某個 LLM 行為（tool selection、query rewrite、citation 等）目前的命中率。
• 在改 prompt、改 schema、換模型前後，要拿同一份題組做基線對照。
• 在 acceptance 流程中需要量化證據而非只看單次手測。

現有評測

• MCP Tool Selection

維護方式

• 新增評測檔案時，請同步更新本頁與 docs/.vitepress/config.ts 的 /evals/ sidebar。
• 若評測對應某個 spec 或 change，於 frontmatter 或開頭明確標註。