评测指标卡设计器

解决的问题

很多评测从指标名称开始，最后只留下一个无法解释的平均分。本技能要求先写清质量对象和失败代价，再确定输入证据、判定规则和聚合方式。

设计流程

1. 写明指标测量的对象：答案、检索、工具调用、轨迹、展示或安全行为。
2. 定义适用条件和不适用条件，避免用一个指标覆盖所有场景。
3. 指定最小证据集、计算粒度、通过/失败/无法判断三类结果。
4. 设置基线、目标和阻断阈值，分别记录硬门槛与观察目标。
5. 用 10 条正常、边界和失败样本试算，再交给业务专家复核。

设计原则

指标描述是唯一判定依据；用例里的 judge_hint 只能说明当前样本应关注哪些证据。证据不足时保留人工复核，不用猜测补齐。