AF auto-arena
Автоматически оценивает и сравнивает несколько ИИ-моделей или агентов без предварительно существующих тестовых данных. Генерирует тестовые запросы из описания задачи, собирает ответы от всех целевых конечных точек, автоматически генерирует оценочные рубрики, выполняет попарные сравнения с помощью модели-судьи и выдает рейтинги побед с отчетами и диаграммами. Поддерживает возобновление с контрольной точки, инкрементальное добавление конечных точек и горячую замену модели-судьи. Используйте, когда пользователь просит сравнить, протестировать или ранжировать несколько моделей или агентов по пользовательской задаче, или провести оценку в стиле арены.
машинный переводПоказать оригиналСкрыть оригинал«Automatically evaluate and compare multiple AI models or agents withou…»
Automatically evaluate and compare multiple AI models or agents without pre-existing test data. Generates test queries from a task description, collects responses from all target endpoints, auto-generates evaluation rubrics, runs pairwise comparisons via a judge model, and produces win-rate rankings with reports and charts. Supports checkpoint resume, incremental endpoint addition, and judge model hot-swap. Use when the user asks to compare, benchmark, or rank multiple models or agents on a custom task, or run an arena-style evaluation.
Автоматически оценивает и сравнивает несколько ИИ-моделей или агентов без предварительно существующих тестовых данных.
Как процесс F 60/100 · Не запустится — Скилл ссылается на файлы, которых нет в архиве: ../../cookbooks/auto_arena/examples/
Как улучшить
- В тексте есть ссылки на отсутствующие файлы: добавьте файлы или уберите ссылки.
- 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: 2. Улики замаскированы. Пометки в серых чипах объясняют, почему серьёзность понижена.
По спецификации Agent Skills
- предупреждение
missing-refссылка на отсутствующий файл: ../../cookbooks/auto_arena/examples/
Процессный рейтинг: все десять параметров 60/100
- 0Инструменты и файлы. Не хватает 1 файла(ов): ../../cookbooks/auto_arena/examples/
- 0Отчётность по ходу. Скилл ничего не сообщает по ходу работы
- 30Повторный запуск. Изменяющих операций: 1, без проверки текущего состояния
- 50Ошибки и развилки. Развилок: 0, есть раздел про ошибки
- 60Результат и критерий готовности. Формат результата описан, критерия завершения нет
- 70Когда включается. Сказано, когда применять, но не сказано, когда не стоит
- 70Входы и предусловия. Входные данные и предусловия перечислены
- 100Шаги. Шагов: 11
- 100Согласованность. Имя и обязательные поля на месте
- 100Стоимость исполнения. Тело инструкции 2315 токенов
- low Разделов верхнего уровня: 11. Похоже на несколько доменов в одном скилле
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)
- +1Лицензия не указана
- +2Инструкции на одном языке
- +3Длина description 542 символов: достаточно сигнала, не съедает бюджет
- +4Структура: 22 заголовков
- +3Пошаговые инструкции: 11 пунктов
- +3Формат ответа описан явно
- +4Есть примеры (7 блоков кода)
База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 81.