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。这里放已经配置好的 Adapter 实例。被测系统的地址和鉴权在创建实例时传给 Adapter，不写进 Experiment 的其它字段。model/flags：交给 Adapter 的实验条件。flags只接受扁平的字符串、有限数字或布尔值，NiceEval 不解释它们的含义。Adapter 声明了parseFlags时，先校验和规范化，再经ctx交给 Adapter；Adapter 随请求转发，应用按值切换行为。模型对比（Tier 1）和功能 A/B（Tier 3）都走这条路，见接入等级。attempts、budget、并发、sandbox等运行参数：怎么跑、跑多少。完整字段见编写实验。
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 在这个实验的第一个 Attempt 开始前执行。teardown 在全部 Attempt 结束后执行，运行被中断时也会执行；但只有 setup 已经执行过，teardown 才会执行。
要在 Sandbox 里为整个实验准备环境，把准备步骤挂在 sandbox 字段的 .before() 上。内容不变的步骤下次可以直接沿用；动态回调可以用 context.onCleanup() 登记收尾。写法见启动实验共享服务与Sandbox · 按顺序准备 Sandbox。
同一个实验里，不同评估用例需要不同的预制环境时，把指定预制环境的 sandbox 配置写在各评估用例上，Experiment 就不再指定。重复的配置用普通的 TypeScript 函数复用，不需要额外注册。同一个 Experiment 仍然能覆盖全部评估用例，NiceEval 会逐条把评估用例的配置和 Experiment 的配置合在一起。写法见编写实验 · 不同评估用例需要不同环境。
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，再比较同一时刻已发布的结果。每个 Experiment 按自己跑的评估用例计算分母，不会硬凑一个共同的交集。适合比什么、结果怎么读，见编写实验。
只用于报告归类、不影响运行过程的值写进 labels。它们记在 Run 上，不会传给 Adapter 或评估用例。改了 labels 再运行，会建立一个带新标注的 Run，没受影响的旧结果照常沿用；历史 Run 保留当时的 labels。