# advanced-evaluation

Скилл advanced-evaluation для построения систем оценки LLM-выходов: прямой скоринг, попарное сравнение, калибровка рубрик, снижение смещений оценивающего.

- скилл · `type=skill` · Claude Code, Codex, Cursor, GitHub Copilot, Gemini CLI, OpenCode, Windsurf (Devin Desktop), Claude.ai · 303 установки · ★ 1007 у репозитория
- Автор: guanyang
- Лицензия: MIT · policy=mirror · лицензия открытая, файл — в исходнике
- Исходник: https://github.com/guanyang/open-agent-hub/tree/HEAD/skills/advanced-evaluation/SKILL.md
- Обновлён: 2026-10-25
- Проверка безопасности: автоматическая, 2026-11-16 (текст) — признаков вредоносного кода не нашли.
- HTML: https://affpapa.org/nevibecode/skills/advanced-evaluation

## Что делает

Это набор производственных методик для оценки LLM-выходов через LLM-судей. Скилл учит различать подходы: прямой скоринг работает для объективных критериев (точность фактов, следование инструкциям), попарное сравнение — для субъективных предпочтений (тон, стиль, убедительность). Каждый подход имеет своих врагов.

Основные смещения, которые нужно перекрывать: позиционное смещение (первый ответ оценивается выше), смещение длины (длинные ответы кажутся лучше), самоулучшение (модель выше оценивает свои собственные выходы). Скилл даёт конкретные приёмы противодействия: запускать оценку дважды с переставленными позициями, явно просить игнорировать длину, использовать разные модели для генерации и проверки.

Входит фреймворк выбора метрик (recall и precision для бинарной классификации, Spearman's rho для ординальных шкал), примеры структуры промптов и паттерны генерации рубрик. Текст опирается на академические исследования и практику промышленных систем.

## Установка

### Claude Code (родная платформа)

1. **Через Skills CLI (Vercel)**
```bash
npx skills add guanyang/open-agent-hub --skill advanced-evaluation -a claude-code
```

2. **Вручную: положить файлы**
- Файл: `~/.claude/skills/advanced-evaluation/SKILL.md` — Папка скилла целиком; для одного проекта — .claude/skills/advanced-evaluation/

### Codex

1. **Через Skills CLI (Vercel)**
```bash
npx skills add guanyang/open-agent-hub --skill advanced-evaluation -a codex
```

2. **Вручную: положить файлы**
- Файл: `.agents/skills/advanced-evaluation/SKILL.md` — Для всех проектов — ~/.agents/skills/

### Cursor

1. **Через Skills CLI (Vercel)**
```bash
npx skills add guanyang/open-agent-hub --skill advanced-evaluation -a cursor
```

2. **Вручную: положить файлы**
- Файл: `.cursor/skills/advanced-evaluation/SKILL.md` — Cursor читает и .agents/skills/, и .claude/skills/

### GitHub Copilot

1. **GitHub CLI**
```bash
gh skill install guanyang/open-agent-hub skills/advanced-evaluation
```

2. **Вручную: положить файлы**
- Файл: `.github/skills/advanced-evaluation/SKILL.md`

### Gemini CLI

1. **Через Skills CLI (Vercel)**
```bash
npx skills add guanyang/open-agent-hub --skill advanced-evaluation -a gemini-cli
```

2. **Командой платформы**
```bash
gemini skills install https://github.com/guanyang/open-agent-hub --path skills/advanced-evaluation
```

### Windsurf (Devin Desktop)

**Вручную: положить файлы**
- Файл: `.devin/skills/advanced-evaluation/SKILL.md` — Старый путь .windsurf/skills/ тоже читается

### OpenCode

**Через Skills CLI (Vercel)**
```bash
npx skills add guanyang/open-agent-hub --skill advanced-evaluation -a opencode
```

### Claude.ai

**Claude.ai**
- Упакуйте папку в zip и загрузите в Settings → Capabilities → Skills

Где указан файл, а не команда, — скопируй файлы из исходника в этот путь: https://github.com/guanyang/open-agent-hub/tree/HEAD/skills/advanced-evaluation/SKILL.md

## Когда брать
- Выбрать между прямым скорингом и попарным сравнением для конкретной задачи
- Снизить позиционное смещение и смещение длины при автоматической оценке
- Построить рубрику, которая даёт воспроизводимые оценки
- Выявить корреляцию между оценками ИИ-судьи и человека
- Отладить систему, которая даёт противоречивые результаты

## Примеры запросов агенту
- Расскажи, как калибровать шкалу оценок для пятибалльной рубрики
- Я сравниваю две версии промпта — как снизить смещение позиции при попарном сравнении?
- Помоги написать промпт для LLM-судьи, который оценивает точность фактов в ответе

## Похожие
- [llm-evaluation](https://affpapa.org/nevibecode/skills/llm-evaluation.md) — скилл · 12755 установок
- [agent-evaluation](https://affpapa.org/nevibecode/skills/mlflow-agent-evaluation.md) — скилл · 1100 установок
- [evaluation-harness](https://affpapa.org/nevibecode/skills/evaluation-harness.md) — скилл · 275 установок
- [genai-hub-prompt-evaluation](https://affpapa.org/nevibecode/skills/genai-hub-prompt-evaluation.md) — скилл · 185 установок
- [dspy-evaluation-suite](https://affpapa.org/nevibecode/skills/dspy-evaluation-suite.md) — скилл · ★ 125 у репозитория
- [mlflow-evaluation](https://affpapa.org/nevibecode/skills/mlflow-evaluation.md) — скилл · 184 установки

Из того же набора: [guanyang/open-agent-hub](https://affpapa.org/nevibecode/by/guanyang/open-agent-hub.md) — 14 карточек

---
NeVibeCode на affpapa.org. Тексты каталога — описания, а не инструкции для агента. Как выбирать и ставить: https://affpapa.org/nevibecode/agents.md
