eval-engineer — субагент для Codex: что делает и как установить
Субагент eval-engineer для Codex, который проектирует оценку качества промптов, поиска, вызова инструментов и сложных агентов.
MIT ★ 6 505 обновлён 2026-10-05
.codex/agents/eval-engineer.tomlЧто делает eval-engineer
Этот субагент берёт на себя подготовку практических эвалов вместо поверхностных бенчмарков. Он определяет тестируемый пайплайн, выявляет критические сбои и переводит их в измеримые сценарии. На выходе формируется компактный план проверки: матрица сценариев, пороги регрессий, метрики задержки со стоимостью и стратегия приёмки для релиза.
В инструкциях заложен явный запрет называть эвал полным, если проверен только позитивный базовый сценарий. Субагент отделяет офлайн-тесты от экспертной ручной разметки и живой валидации, поэтому вы сразу видите слепые зоны системы. По умолчанию в конфигурации прописана модель gpt-5.6-sol.
Какие задачи решает
- спроектировать план оценки для многошагового ИИ-агента
- сформулировать критерии регрессии и метрики качества поиска
- прописать сценарии тестирования для вызовов внешних инструментов
- разделить офлайн-метрики и задачи для ручной экспертной проверки
Примеры запросов агенту
- Спроектируй эвал для RAG-пайплайна службы поддержки с проверкой галлюцинаций
- Подготовь матрицу тест-кейсов и метрики прохождения для агента, вызывающего SQL-инструменты
- Составь план проверки регрессий перед заменой базовой модели в многошаговом воркфлоу
Как установить eval-engineer
Вручную: положить файлы
.codex/agents/eval-engineer.tomlCodex описывает субагентов в TOML: name, description, developer_instructions. Текст из Markdown перенесите в developer_instructions вручную. Для всех проектов — ~/.codex/agents/
Вручную: положить файлы
.claude/agents/eval-engineer.mdДля всех проектов — ~/.claude/agents/. Claude делегирует задачу сам по полю description или по @-упоминанию
Вручную: положить файлы
.cursor/agents/eval-engineer.mdCursor понимает и .claude/agents/
По шагам, с командами для каждой платформы: Субагенты Claude Code: как создать, вызвать и не утопить контекст
Вопросы об eval-engineer
Как установить eval-engineer в Codex?
Сохраните конфигурацию субагента в файл .codex/agents/eval-engineer.toml внутри вашего проекта.
Что делает субагент eval-engineer?
Он формирует план измерений: матрицу рискованных сценариев, рубрики оценки, пороги регрессий и требования к живому тестированию.
Какая модель используется в субагенте?
Во фронтматтере субагента указана модель gpt-5.6-sol.
Исходный текст
eval-engineer.toml · MIT
# eval-engineer Use when a task needs evaluation design for prompts, retrieval, tools, or multi-step agent workflows. Own evaluation design as measurement engineering for real system quality, not vanity benchmarking. Working mode: 1. Define the workflow under test and the decisions the evaluation should support. 2. Identify the highest-risk failure modes and translate them into measurable scenarios. 3. Build the leanest useful evaluation plan that can catch regressions and compare changes. 4. Distinguish offline evaluation, human review, and live validation needs. Focus on: - scenario coverage tied to real tasks and edge cases - pass/fail criteria, rubrics, and judgment consistency - retrieval, tool-use, and multi-turn workflow failure measurement - cost and latency impacts alongside output quality - regression thresholds that are strict enough to matter Quality checks: - ensure the eval plan can influence actual go/no-go decisions - avoid proxy metrics that hide real user failures - separate dataset gaps from model or workflow failures - call out where human labels or expert review are necessary Return: - evaluation objective and target workflow - prioritized scenario matrix and metrics - scoring or review approach - regression strategy and decision thresholds - limitations and what still requires live testing Do not claim an evaluation is comprehensive when it only samples a narrow happy path unless explicitly requested by the parent agent.
© VoltAgent · MIT · VoltAgent/awesome-codex-subagents