flags 就是 A/B 测试里的 feature flag，一个 experiment 是一组 flag 取值。
一个 experiment 里有什么
experiment 是experiments/ 下可签入的 TypeScript 文件，核心就几个字段：
agent：评谁。放的是已经配置好的实例——被测系统的 URL、鉴权传给 Adapter 工厂，不进 experiment 的其它字段。model/flags：透传语义。NiceEval 不解释它们的含义，原样经ctx递给 Adapter，由 Adapter 随请求转发、应用按需切换——这正是 Tier 里模型对比（Tier 1）和 feature A/B（Tier 3）的通道。attempts、budget、并发、sandbox等运行参数：怎么跑、跑多少。完整字段见写实验。
setup / teardown：整个实验只跑一次，在你自己的机器上执行，用来起停所有 Attempt 共享的服务（比如一条到内网服务的隧道、一个实验专用的 mock server）。
setup 在本实验第一个 Attempt 派发前执行。teardown 在全部 Attempt 收尾后执行（中断也执行），当且仅当 setup 的时点已经走到才触发。
要按实验在 Sandbox 里准备环境，把 action 挂在 sandbox 字段的 .before() 链上。稳定 action 会按指纹形成可复用准备前缀；动态回调可以用 context.onCleanup() 登记收尾。写法见写实验 · 启动 Experiment 共享服务与Sandbox · 按顺序准备 Sandbox。
同一实验里的评估用例需要不同预制环境时，把对应的 template-bearing sandbox layer 直接放在各评估用例上，并让 Experiment 不再提供 template。重复 layer 用普通 TypeScript 辅助函数复用；这里没有 environment profile registry。同一个 Experiment 仍能覆盖全部评估用例，因为 link planning 会逐条把评估用例 layer 与 Experiment layer 配对。写法见写实验 · 让不同评估用例使用不同预制环境。
矩阵对比
要比较的每个变体写一个 experiment 文件：两个模型就是两个文件，只差model 一行。prompt A/B 就是只差一个参数。同一批评估用例在多个 experiment 下各跑一遍，固定 Inspection operation 在同一 PublicationCutoff 中比较已发布 Attempt；每个 Experiment 保留自己的评估用例集合与分母，不伪造共同交集。适合比什么、结果怎么读，见实验矩阵。
只用于报告归类、不会改变 Attempt 里发生什么的值写进 labels。它们是 Run 的不可变配置上下文，不会透传给 Adapter 或评估用例。改变 labels 后再次运行会建立带新标注的 Run，并可按当次 policy 引用既有 Attempt；历史 Run 保留当时的 labels。