agent-platform-eval-flywheelGoogle官方放心用自动评测云上 AI 智能体，从建数据集到分析失败并迭代优化。
这个 Skill 基于 Google Cloud Agent Platform 的 GenAI Evaluation SDK，帮你在本地或 Notebook 里系统性评测模型与智能体。它会带你走「质量飞轮」五步：先准备 EvalCase 列表、Pandas DataFrame 或 ADK 会话轨迹等评测数据；缺数据时还能调用 generate_user_scenarios 合成场景；再执行 client.evals.evaluate() 跑推理与打分；然后分析评分细则、失败聚类和损失模式；最后给出可落地的 prompt 或代码改进建议，循环迭代直到质量达标。
适合在上线前验证智能体效果、对比修复前后指标，或冷启动无评测数据时使用。需要 GOOGLE_CLOUD_PROJECT 与 GOOGLE_CLOUD_LOCATION 环境变量，部分 Gemini 模型要设 location="global"；调用评估接口会产生云端计算费用，首次运行前会先征求你的确认。
在下面找到你用的工具，复制命令粘进终端就装好了：
npx skills add google/skills装好后不用任何配置，直接在对话里说：
我 Agent 在数学题上总出错，帮我建一个评估数据集并跑一轮评测，看哪类失败最多。AI 检测到任务匹配时会自动加载这个 Skill，不需要手动开关。
SKILL.mdreferences/scripts/ 可以。Skill 支持用 generate_user_scenarios 根据环境描述合成场景，也支持把 ADK 会话轨迹、CSV 或 BigQuery 表转成 EvaluationDataset，三种方式按需选择。
会。client.evals.evaluate() 等调用会消耗云端 LLM 或评测服务资源，首次执行前我会询问确认；只读脚本如 inspect_results.py、compare_results.py 无需确认。
本 Skill 专注评测与迭代改进；若要做模型微调用 agent-platform-tuning，正式生产部署用 agent-platform-deploy，三个 Skill 可串联使用。