SKILLEMALL.ai
GitHub ↗ EN Войти

BC AI Agent Evaluator

ИИ-помощник по оценке и бенчмаркингу агентов — разрабатывает наборы для оценки, проводит структурированные тесты (коэффициент выполнения задач, задержка, безопасность, точность рассуждений), сравнивает мультиагентные фреймворки (CrewAI, LangChain, AutoGen), генерирует отчеты о бенчмаркинге и помогает разработчикам выбирать правильную методологию оценки. Создан для ИИ-инженеров, продакт-менеджеров и ML-команд, выводящих агентные приложения в продакшн. Ключевые слова: оценка ИИ-агентов, бенчмаркинг агентов, тестирование LLM, CrewAI, AutoGen, LangChain, SWE-bench, AgentBench, обеспечение качества ИИ, надежность агентов.

машинный переводПоказать оригиналСкрыть оригинал«AI-powered agent evaluation and benchmarking assistant — design evalua…»

AI-powered agent evaluation and benchmarking assistant — design evaluation suites, run structured assessments (task completion rate, latency, safety, reasoning accuracy), compare multi-agent frameworks (CrewAI, LangChain, AutoGen), generate benchmark reports, and guide developers in selecting the right evaluation methodology. Built for AI engineers, product managers, and ML teams shipping agent-based applications to production. Keywords: AI agent evaluation, agent benchmarking, LLM testing, CrewAI, AutoGen, LangChain, SWE-bench, AgentBench, AI quality assurance, agent reliability.

ClawHub Agent Skills автор: lingfeng-19 v3.0.2 MIT-0 2 файла тело ≈ 1 853 токенов Открыть источникclawhub.ai↗ проанализирован 4 дн назад

ИИ-помощник по оценке и бенчмаркингу агентов — разрабатывает наборы для оценки, проводит структурированные тесты (коэффициент выполнения задач, задержка…

Как процесс C 56/100 · Есть пробелы — слабые места: результат и критерий готовности, когда включается, входы и предусловия

АнализаторИИ и агентытип и темы размечены автоматически по тексту скилла
Запускается в: OpenClaw 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) Goose OpenCode
JSON
Технический рейтинг
B
85/100
безопасность, качество, тесты
Безопасность 60%
97
Качество 40%
67
Прогон на моделях
не было
Процессный рейтинг
C
56/100
Есть пробелы
Входы и предусловия вес 11
0
Отчётность по ходу вес 2
0
Когда включается вес 12
20
три самых слабых из десяти параметров · все десять

Как улучшить

  1. Скажите в description, КОГДА применять скилл («используй, когда…», примеры запросов): это главный сигнал для агента.
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 · 3

✓ Критических и высоких находок нет

Средние и низкие: 3
  • низкая Рискованное назначение intent-offensive-security SKILL.md:33
    Наступательная безопасность / двойное назначение (допустимо для авторизованного тестирования; проверьте назначение)
    - **Red Teaming Support** — Design adversarial tests to probe agent safety and edge cases
  • низкая Рискованное назначение intent-offensive-security SKILL.md:49
    Наступательная безопасность / двойное назначение (допустимо для авторизованного тестирования; проверьте назначение) (в кавычках — упоминание, а не команда)
    - "agent red teaming"
    в кавычках
  • низкая Рискованное назначение intent-offensive-security SKILL.md:162
    Наступательная безопасность / двойное назначение (допустимо для авторизованного тестирования; проверьте назначение)
    - **PromptFoo** — prompt testing and red teaming

Просканировано файлов: 2. Улики замаскированы. Пометки в серых чипах объясняют, почему серьёзность понижена.

По спецификации Agent Skills

  • предупреждение name-format name должен быть в kebab-case (строчные буквы, цифры, дефисы)
  • предупреждение description-no-when description не говорит, КОГДА применять скилл (нет "use when / используй когда")

Процессный рейтинг: все десять параметров 56/100

  • 0Входы и предусловия. Не сказано, что нужно иметь на входе
  • 0Отчётность по ходу. Скилл ничего не сообщает по ходу работы
  • 20Когда включается. Не сказано, при каком запросе скилл включается
  • 30Повторный запуск. Изменяющих операций: 5, без проверки текущего состояния
  • 40Результат и критерий готовности. Не сказано, что считать результатом
  • 40Согласованность. Имя во frontmatter (AI Agent Evaluator) не совпадает с папкой (ai-agent-evaluator)
  • 50Ошибки и развилки. Развилок: 0, есть раздел про ошибки
  • 100Инструменты и файлы. Внешние инструменты не нужны
  • 100Шаги. Шагов: 66
  • 100Стоимость исполнения. Тело инструкции 1853 токенов

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 587 символов: достаточно сигнала, не съедает бюджет
  • +4Структура: 15 заголовков
  • +3Пошаговые инструкции: 66 пунктов
  • +4Есть примеры (0 блоков кода)

База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 67.

Внешние проверки

ClawHub: clean
This appears to be a disclosed ClawHub maintainer and Convex skill bundle with powerful but gated workflows and no scanner-backed security findings.
LLM: benign (medium) · VirusTotal: · 16 июн. 2026 г.