FAILED，12 条里有 3 条没通过。你想知道是哪几条、Agent 在那几次运行里实际说了什么、调用了什么工具、为什么没满足断言。
NiceEval 给不同读者准备了三个入口，读的是同一份结果：
每次 Attempt 一结束，结果就能读到，不必等整批跑完。
从总览开始
Covered是当前有可用结果的位置数和计划数。Gaps不为 0 时，说明有些位置还没有结果，或者旧结果已经不适用，例如你改了这条评估用例。缺口下面会写原因和上次的结果入口，旧分数不会被算进当前通过率；这时通过率后面会带(partial)，提醒你它只基于已有结果。errored不为 0 时，先处理它们。errored说明运行本身没跑成，例如应用没启动或接口报错，这些 Attempt 没有得出结论。- 计分制评估显示
Score而不是通过率，读法见通过制与计分制。
niceeval exp <id> --dry 看看会跑哪些，再去掉 --dry 正式运行。
看到 Attempts hidden 时，用它建议的命令缩小范围；要显示全部 Attempt，加 --all。
缩小到一个 Experiment 或一次运行
--experiment 显示一个 Experiment 下每条评估用例的结果。--run 显示某一次运行，Run ID 在 exp 结束时的 NEXT 面板里。两者都可以重复传入多个。
运行还没结束时也可以看：已经完成的 Attempt 会出现，还没完成的显示为 pending。
查看一次失败的运行
总览和 Experiment 视图里，每个 Attempt 前面都有一个以@ 开头的 Attempt 定位符（locator），它在项目里唯一指向这一次运行。复制它：
Next 列出了能继续看的方面，按你要回答的问题选：
--execution 给出对话和工具调用的提纲。要展开其中一项，复制提纲里显示的 ID：
not-recorded、partial 或 unavailable，表示这部分信息没有采集到或不完整，不代表它是零或者失败。例如直连应用不会有文件改动，diff 就是 not-recorded。
判断该改应用还是改断言
failed 只说明至少一条断言没满足，不一定说明 Agent 做错了。看完 --execution 后分三种情况：
- Agent 的输出确实不符合任务要求：改应用或 prompt。
- Agent 的输出符合任务要求，断言却拒绝了它，例如正则写得太死：改评估用例。
- 任务本身写得模糊，说不清 Agent 算不算做对：先把任务和判据写清楚。
在浏览器里看
--run 打开指定的一次或几次运行。浏览器里能看到完整对话、工具调用的输入输出和耗时瀑布图。
有新结果发布时，页面会提示刷新，你确认后才会切换，正在看的内容不会突然变掉。--no-open 不自动打开浏览器，--port 指定端口。
看一条断言具体为什么得这个分
show 告诉你哪条断言没过。要看 Judge 给出的理由、计分项具体得了几分，用 query 读这条断言的详情。先取得这次运行的断言清单：
assertions.entries 里选一个 entryId，再读它的详情：
unavailable 时，按返回的 reason 理解，不要从别的字段推测。
让脚本和 CI 读结果
query 只输出 JSON，不做终端排版。不要解析 show 的文字输出，也不要直接读 .niceeval/ 下的文件，格式可能随版本变化。
discover 列出当前版本支持的全部请求类型，例如列出 Run、读取 Run 摘要、读取 Attempt 详情、trace、diff，以及比较两个 Run。按CLI 参考写好请求后，先用 query explain --request <file> 检查，再用 query run --request <file> 执行。
在 pnpm 项目里加 --silent，否则 pnpm 自己的输出会混进 JSON。
比较两次运行见比较两次运行。