SKILLEMALL.ai
GitHub ↗ EN Войти

BD eval-harness

Фреймворк разработки на основе оценки (EDD) для сессий кодирования ИИ — определяет оценки возможностей и регрессии перед кодированием, оценивает с помощью кодовых, модельных, на основе правил или человеческих оценщиков, а также отслеживает надежность pass@k и pass^k. Используйте при определении критериев прохождения/непрохождения для задач агента, измерении надежности агента, создании наборов регрессионных тестов для изменений промптов или агентов, или при бенчмаркинге различных версий моделей.

машинный переводПоказать оригиналСкрыть оригинал«Eval-driven development (EDD) framework for AI coding sessions — defin…»

Eval-driven development (EDD) framework for AI coding sessions — define capability and regression evals before coding, grade with code-based, model-based, rule, or human graders, and track pass@k and pass^k reliability. Use when defining pass/fail criteria for agent tasks, measuring agent reliability, building regression suites for prompt or agent changes, or benchmarking across model versions.

Разбор skillemall

Скилл обещает фреймворк для eval-driven development — определить критерии pass/fail до кодирования, потом грейдить результаты четырьмя способами и отслеживать надёжность через pass@k и pass^k. В папке один файл с инструкцией на 2058 токенов. Проверка показала: broken_references — значит, часть ссылок в документе ведёт в пустоту. Quality score 77 из 100, process score 45 — это намёк, что инструкция написана, но workflow описан вяло. Критических ошибок нет, но мелких находок тоже не видно — похоже, скилл просто не запускали на моделях. Поддержка широкая: Claude, Cursor, DeepSeek и другие.

Для тех, кто хочет структурировать тесты агента перед запуском — может сработать как шаблон. Но broken references означают, что часть инструкции придётся чинить вручную. Ставить, если вы готовы потратить время на приведение в порядок.

affaan-m/everything-claude-code Agent Skills автор: affaan-m MIT 1 файл тело ≈ 2 058 токенов Открыть источникgithub.com↗ проанализирован 21 ч назад

Фреймворк разработки на основе оценки (EDD) для сессий кодирования ИИ — определяет оценки возможностей и регрессии перед кодированием, оценивает с помощью…

Как процесс D 45/100 · Процесс не доведён — Скилл ссылается на файлы, которых нет в архиве: scripts/lib/eval-harness/

ПроцедураДанные и аналитикаРазработкатип и темы размечены автоматически по тексту скилла
Запускается в: Claude / Claude Code ChatGPT / Codex Gemini CLI Cursor GitHub Copilot / VS Code Qwen Code Kimi Code CLI Z.ai (GLM) DeepSeek (Deep Code) Mistral Vibe LangChain (deepagents) OpenClaw Goose OpenCode
JSON
Технический рейтинг
B
91/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
77
Прогон на моделях
не было
Процессный рейтинг
D
45/100
Процесс не доведён
Скилл ссылается на файлы, которых нет в архиве: scripts/lib/eval-harness/
Инструменты и файлы вес 18
0
Входы и предусловия вес 11
0
Когда включается вес 12
20
три самых слабых из десяти параметров · все десять

Как улучшить

  1. В тексте есть ссылки на отсутствующие файлы: добавьте файлы или уберите ссылки.
Для прогона на моделях — необязательно
  • Свои кейсы (evals/evals.json, 4–6 реальных запросов с ожидаемыми ответами): тогда полная проверка прогонит именно их, а не черновик от модели.
  • spec.yaml с триггерными фразами и утверждениями — контракт поведения для CI; `skilltest init` создаст шаблон.

Находки guard · 0

✓ Критических и высоких находок нет

Просканировано файлов: 1. Улики замаскированы. Пометки в серых чипах объясняют, почему серьёзность понижена.

По спецификации Agent Skills

  • предупреждение missing-ref ссылка на отсутствующий файл: scripts/lib/eval-harness/
  • заметка frontmatter-key неизвестное поле фронтматтера "tools"

Процессный рейтинг: все десять параметров 45/100

Не запустится. Скилл ссылается на файлы, которых нет в архиве: scripts/lib/eval-harness/
  • 0Инструменты и файлы. Не хватает 1 файла(ов): scripts/lib/eval-harness/
  • 0Входы и предусловия. Не сказано, что нужно иметь на входе
  • 20Когда включается. Не сказано, при каком запросе скилл включается
  • 30Повторный запуск. Изменяющих операций: 1, без проверки текущего состояния
  • 40Результат и критерий готовности. Не сказано, что считать результатом
  • 50Ошибки и развилки. Развилок: 0, есть раздел про ошибки
  • 100Шаги. Шагов: 43
  • 100Согласованность. Имя и обязательные поля на месте
  • 100Стоимость исполнения. Тело инструкции 2058 токенов
  • 100Отчётность по ходу. Скилл сообщает о ходе работы
  • low Разделов верхнего уровня: 12. Похоже на несколько доменов в одном скилле
  • low Ответ описан самодельной разметкой (5 тегов): типизированный вызов надёжнее

Всё перечисленное измерено по тексту скилла, а не оценено моделью: цифры проверяемы. Вес параметра тем больше, чем чаще из-за него процесс встаёт.

Сигналы качества

  • +5В description нет примеров фраз, по которым скилл должен срабатывать
  • +4Описание не говорит, когда скилл НЕ применять (ложные срабатывания)
  • +3Формат ответа не описан: модель каждый раз решает сама
  • +1Лицензия не указана
  • +2Инструкции на одном языке
  • +3Длина description 397 символов: достаточно сигнала, не съедает бюджет
  • +4Структура: 31 заголовков
  • +3Пошаговые инструкции: 43 пунктов
  • +4Есть примеры (14 блоков кода)

База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 77.