BA eval-skills
Оценка и улучшение навыка на основе эталонных случаев — запускайте целевой навык вслепую в новом, контекстно-независимом субагенте для каждого входного примера, оценивайте артефакт по ожидаемому результату и позволяйте пробелам определять правки. Используйте, когда пользователь хочет протестировать/оценить/улучшить/укрепить навык, говорит "этот навык постоянно выдает X / постоянно пропускает Y" или передает навык вместе с парами входных данных → ожидаемый результат. Связывается с [write-skills](../write-skills/SKILL.md) (принципы написания, которым подчиняется каждое исправление).
машинный переводПоказать оригиналСкрыть оригинал«Eval and improve a skill against golden cases — run the target skill b…»
Eval and improve a skill against golden cases — run the target skill blind in a fresh, context-free subagent on each example input, grade the artifact against the expected outcome, and let the gaps drive the edits. Use when the user wants to test/eval/improve/harden a skill, says "this skill keeps producing X / keeps missing Y", or hands a skill plus example input→expected-output pairs. Pairs with [write-skills](../write-skills/SKILL.md) (the authoring principles every fix obeys).
Оценка и улучшение навыка на основе эталонных случаев — запускайте целевой навык вслепую в новом, контекстно-независимом субагенте для каждого входного…
Как процесс A 92/100 · Дойдёт до конца — трудных мест не видно
Как улучшить
- 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
✓ По спецификации Agent Skills замечаний нет
Процессный рейтинг: все десять параметров 92/100
- 60Ошибки и развилки. Развилок: 2
- 70Когда включается. Сказано, когда применять, но не сказано, когда не стоит
- 100Инструменты и файлы. Внешние инструменты не нужны
- 100Шаги. Шагов: 16
- 100Результат и критерий готовности. Формат результата и критерий готовности описаны
- 100Входы и предусловия. Входные данные и предусловия перечислены
- 100Согласованность. Имя и обязательные поля на месте
- 100Стоимость исполнения. Тело инструкции 1774 токенов
- 100Повторный запуск. Изменяющих операций нет
- 100Отчётность по ходу. Скилл сообщает о ходе работы
- medium Правила безопасности и запреты внутри скилла: их место в системном промпте, здесь они не защищают
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)
- +4Нет примеров входа/выхода
- +1Лицензия не указана
- +2Инструкции на одном языке
- +3Длина description 485 символов: достаточно сигнала, не съедает бюджет
- +4Структура: 5 заголовков
- +3Пошаговые инструкции: 16 пунктов
- +3Формат ответа описан явно
База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 83.