К основному содержанию
субагент CX Codex

eval-judge — субагент для Claude Code: что делает и как установить

Оценивает скиллы плагинов по четырём критериям качества и возвращает структурированный JSON с баллами от 0.0 до 1.0.

Установить в Claude Code · Через маркетплейс плагинов Все способы и платформы ↓
/plugin marketplace add wshobson/agents
/plugin install plugin-eval@claude-code-workflows
Открыть на GitHub

Что делает eval-judge

Субагент выступает экспертным оценщиком для скиллов Claude Code. Пользователь передаёт ему путь к директории скилла, после чего агент изучает файл SKILL.md и вложенные материалы через инструменты Read, Grep и Glob. Вся работа субагента построена на модели sonnet.

Проверка опирается на четыре шкалы с чёткими ориентирами. Субагент тестирует точность формулировки триггеров в описании frontmatter через F1-метрику на десяти сценариях. Далее он проверяет роль скилла: компонент обязан быть исполнителем, а не управлять другими инструментами или процессами. Наконец, агент симулирует три задачи для проверки качества инструкций и замеряет полноту охвата темы.

Субагент возвращает исключительно сырой JSON без markdown-блоков и текста вокруг. Для запуска обязательно требуется директория с файлом SKILL.md, иначе оценщику не из чего будет извлечь инструкции.

Какие задачи решает

  • проверить точность описания скилла на ложные срабатывания
  • убедиться, что скилл работает как исполнитель, а не оркестратор
  • протестировать полноту инструкций скилла на рабочих сценариях
  • получить машиночитаемый JSON-отчёт с баллами качества

Примеры запросов агенту

  • Оцени качество скилла в папке ./plugins/my-skill
  • Проверь скилл по пути skills/git-helper и верни JSON с оценками

Как установить eval-judge

1Через маркетплейс плагинов

/plugin marketplace add wshobson/agents
/plugin install plugin-eval@claude-code-workflows

2Вручную: положить файлы

.claude/agents/eval-judge.md

Для всех проектов — ~/.claude/agents/. Claude делегирует задачу сам по полю description или по @-упоминанию

По шагам, с командами для каждой платформы: Субагенты Claude Code: как создать, вызвать и не утопить контекст

Вопросы о eval-judge

Как установить eval-judge в Claude Code?

Выполните в терминале команду /plugin marketplace add wshobson/agents, затем установите пакет командой /plugin install plugin-eval@claude-code-workflows. Также можно сохранить описание агента в файл .claude/agents/eval-judge.md.

Что делает eval-judge?

Он инспектирует файл SKILL.md и выставляет оценки от 0.0 до 1.0 по четырём параметрам: точность триггеров, пригодность к оркестрации, качество выдачи и калибровка охвата.

В каком виде субагент возвращает результаты?

Агент отдаёт чистый JSON без markdown-разметки. В ответе содержатся ключи triggering_accuracy, orchestration_fitness, output_quality и scope_calibration с баллами и текстовыми обоснованиями.

Исходный текст

eval-judge.md · MIT
---
name: eval-judge
description: "LLM judge for plugin quality assessment. Scores skills on triggering accuracy, orchestration fitness, output quality, and scope calibration using anchored rubrics."
model: sonnet
tools: Read, Grep, Glob
---

You are a quality judge for Claude Code plugin skills. You evaluate a single skill on 4 dimensions using anchored rubrics. You return structured JSON scores.

## Input

You will receive the path to a skill directory. Read the SKILL.md and any references/ files.

## Your Assessment Process

Evaluate the skill on these 4 dimensions. For each, use the anchored rubric and return a score between 0.0 and 1.0.

### 1. Triggering Accuracy

Read the skill's `description` field in its frontmatter. Generate 10 mental test prompts (5 should-trigger, 5 should-not) and assess whether the description would correctly trigger for each.

Score = F1 of (precision, recall) for triggering accuracy.

- 0.0-0.2: Description is vague, would trigger for wrong prompts or miss right ones
- 0.3-0.4: Some trigger phrases but missing key use cases
- 0.5-0.6: Reasonable triggers but imprecise — some false positives or misses
- 0.7-0.8: Good trigger coverage with minor gaps
- 0.9-1.0: Precise, comprehensive triggers — fires exactly when it should

### 2. Orchestration Fitness

A skill should be a pure WORKER — it receives delegated tasks and produces structured output. It should NOT orchestrate other tools, manage multi-step workflows, or act as a supervisor.

- 0.0-0.2: Acts as standalone agent — manages its own tool calls and sub-tasks
- 0.3-0.4: Mixes worker and orchestrator roles
- 0.5-0.6: Functions as worker but outputs aren't structured for supervisor consumption
- 0.7-0.8: Clean worker role, structured outputs, minor assumptions about calling context
- 0.9-1.0: Pure worker — composable, clear contracts, no orchestration logic

### 3. Output Quality

Simulate 3 realistic tasks this skill would handle. Assess whether the skill's instructions would guide Claude to produce correct, complete, and useful output.

- 0.0-0.2: Instructions would lead to incorrect or unhelpful output
- 0.3-0.4: Some useful guidance but major gaps in coverage
- 0.5-0.6: Adequate instructions for basic cases, struggles with complexity
- 0.7-0.8: Good instructions that produce quality output for most cases
- 0.9-1.0: Excellent instructions — comprehensive, actionable, handles edge cases

### 4. Scope Calibration

- 0.0-0.2: Too thin — stub with insufficient content
- 0.3-0.4: Too narrow — covers topic but missing important aspects
- 0.5-0.6: Slightly over or under-scoped
- 0.7-0.8: Well-scoped — comprehensive without bloat
- 0.9-1.0: Perfectly calibrated for its category

## Output Format

Return EXACTLY this JSON structure (no markdown fences, no explanation):

```json
{
  "triggering_accuracy": {"score": 0.0, "reasoning": "..."},
  "orchestration_fitness": {"score": 0.0, "reasoning": "..."},
  "output_quality": {"score": 0.0, "reasoning": "..."},
  "scope_calibration": {"score": 0.0, "reasoning": "..."}
}
```

© Seth Hobson · MIT · wshobson/agents

Похожие субагенты

Все субагенты по теме «Настройка агента: память, контекст, субагенты» →
frontend-developer VoltAgent Community Субагент для разработки полных фронтенд-приложений на React 18+, Vue 3+ и Angular 15+. Берёт на себя архитектуру компонентов, состояние, тестирование и доступность. 40 905установок dx-optimizer VoltAgent Community Субагент анализирует и ускоряет весь цикл разработки: время сборки, feedback loop, тестирование. Помогает, когда проект медленный или разработчики теряют время на ожидания. 1 198установок mlops-engineer VoltAgent Community Субагент проектирует ML-инфраструктуру, CI/CD и системы версионирования моделей. Подойдёт для автоматизации обучения, GPU-ресурсов и мониторинга. 1 009установок postgres-pro VoltAgent Community Субагент для настройки PostgreSQL, разбора медленных запросов, репликации и резервного копирования. Нужен при проблемах с производительностью и отказоустойчивостью базы. 897установок agent-installer VoltAgent Community Субагент для поиска, просмотра и установки готовых Claude Code агентов из репозитория awesome-claude-code-subagents. Упрощает открытие новых инструментов и интеграцию их в проект. 363установок embedded-systems VoltAgent Community Субагент помогает разрабатывать прошивки для микроконтроллеров с учётом памяти, питания и требований реального времени. Нужен для задач с RTOS, драйверами и периферией. 279установок

Из того же набора508

Весь набор →
pptx-deck-creation-builder Создаёт, исправляет и проверяет редактируемые презентации PowerPoint по брифу, исходникам или референсной колоде. Пригодится, когда нужен готовый к выпуску PPTX с проверенной структурой. CX Codex ★ 41 823звёзд репо eval Оценивает качество плагина или скилла по шкале до 100 баллов через статический анализ и судейство LLM. Помогает найти антипаттерны перед релизом. CX Codex ★ 41 823звёзд репо certify Запускает PluginEval на глубоком уровне и присваивает бейдж качества скиллу или плагину. CX Codex ★ 41 823звёзд репо eval-orchestrator Координирует проверку качества плагинов и скиллов: статический анализ, оценка судьёй и итоговый балл с бейджем. CX Codex ★ 41 823звёзд репо ai-review AI-команда проверяет diff, ищет уязвимости, проблемы производительности и архитектурные риски. Подходит для ревью pull request. CX Codex ★ 41 823звёзд репо session-start Субагент сверяет документ состояния с живым окружением и Git в начале сессии. Он помогает заметить дрейф после деплоя или аварийного завершения. CX Codex ★ 41 823звёзд репо session-end Субагент закрывает сессию: записывает уроки, открытые проблемы, следующие шаги и состояние, которое не успели сохранить другие обработчики. CX Codex ★ 41 823звёзд репо prod-logs-health-check Выгружает боевые логи и фильтрует ошибки после релизов или нагрузочных тестов. Опирается только на записи логов, игнорируя интерфейсы мониторинга. CX Codex ★ 41 823звёзд репо

Спонсоры проекта

Компании, которые помогают держать аналитику открытой