SKILLEMALL.ai
GitHub ↗ EN Войти

AC reddi-agent-evaluation

Форк agent-evaluation от reddi.tech. Тестирование и бенчмаркинг LLM-агентов, включая поведенческое тестирование, оценку возможностей, метрики надежности и мониторинг в производстве. Используйте при: тестировании агентов, оценке агентов, бенчмаркинге агентов, надежности агентов, тестировании агентов.

машинный переводПоказать оригиналСкрыть оригинал«reddi.tech fork of agent-evaluation. Testing and benchmarking LLM agen…»

reddi.tech fork of agent-evaluation. Testing and benchmarking LLM agents including behavioral testing, capability assessment, reliability metrics, and production monitoring. Use when: agent testing, agent evaluation, benchmark agents, agent reliability, test agent.

ClawHub Agent Skills автор: Nissan Dookeran v1.0.2 MIT-0 4 файла тело ≈ 422 токенов Открыть источникclawhub.ai↗ проанализирован 3 дн назад

Форк agent-evaluation от reddi.tech. Тестирование и бенчмаркинг LLM-агентов, включая поведенческое тестирование, оценку возможностей, метрики надежности и…

Как процесс C 61/100 · Есть пробелы — слабые места: результат и критерий готовности, когда включается, ошибки и развилки

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
A
91/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
78
Прогон на моделях
не было
Процессный рейтинг
C
61/100
Есть пробелы
Результат и критерий готовности вес 14
0
Ошибки и развилки вес 10
0
Отчётность по ходу вес 2
0
три самых слабых из десяти параметров · все десять

Как улучшить

    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: 3. Улики замаскированы. Пометки в серых чипах объясняют, почему серьёзность понижена.

    По спецификации Agent Skills

    • заметка frontmatter-key неизвестное поле фронтматтера "source"
    • заметка frontmatter-key неизвестное поле фронтматтера "fork-of"

    Процессный рейтинг: все десять параметров 61/100

    • 0Результат и критерий готовности. Не сказано, что считать результатом
    • 0Ошибки и развилки. Линейный процесс без обработки сбоев
    • 0Отчётность по ходу. Скилл ничего не сообщает по ходу работы
    • 20Когда включается. Не сказано, при каком запросе скилл включается
    • 70Входы и предусловия. Входные данные и предусловия перечислены
    • 100Инструменты и файлы. Внешние инструменты не нужны
    • 100Шаги. Шагов: 7
    • 100Согласованность. Имя и обязательные поля на месте
    • 100Стоимость исполнения. Тело инструкции 422 токенов
    • 100Повторный запуск. Изменяющих операций нет

    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
    • +4Нет примеров входа/выхода
    • +1Лицензия не указана
    • +2Инструкции на одном языке
    • +3Длина description 265 символов: достаточно сигнала, не съедает бюджет
    • +4Структура: 13 заголовков
    • +3Пошаговые инструкции: 7 пунктов

    База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 78.

    Внешние проверки

    ClawHub: clean
    This is a simple agent-evaluation guidance skill with no executable code or hidden privileged behavior found.
    LLM: benign (high) · VirusTotal: · 29 мая 2026 г.