asserthired-evals 开源：面试评分提示词的生产级评测套件参考实现

GitHub 上的 asserthired-evals 仓库发布了一个面向面试评分 LLM 应用的生产级评测套件公开参考实现，包含 60 条合成黄金用例、5 个安全探针、12 个红队攻击用例和七项带 CI 阈值的指标。基线运行在 claude-sonnet-4-5 上，65 例中评分在区间内 98.5%、反馈忠实度 89.2% 低于 90% 目标、安全 64/65 未达标并保留一例边界失败作分析；套件现默认用 Claude Sonnet 5.5 评分、Haiku 4.5 做 LLM-as-judge，另提供漂移检测、数据集复核队列与判官校准脚本，完整付费运行约 195 次 Anthropic API 调用、成本约 $2 到 $3。