# agent-evaluation

Скилл помогает проверять поведение ИИ-агентов, оценивать их возможности и замечать нестабильные результаты. Используйте его при подготовке агента к работе в реальных условиях.

- скилл · `type=skill` · Claude Code · 378 установок
- Автор: davila7
- Лицензия: не указана · policy=link-only · показываем только описание, файл — у автора
- Исходник: https://github.com/davila7/claude-code-templates/tree/HEAD/cli-tool/components/skills/ai-research/agent-evaluation
- Обновлён: 2026-10-24
- HTML: https://affpapa.org/nevibecode/skills/agent-evaluation

## Что делает

Скилл предлагает оценивать агента не по одному удачному запуску, а по результатам повторных проверок. Он охватывает поведенческие тесты, оценку возможностей, метрики надёжности и регрессионные проверки. Это помогает заметить, когда агент проходит бенчмарк, но срывается на практической задаче.

В подход входят проверка заданных поведенческих условий и попытки найти слабые места в работе агента. Также описаны риски нестабильных тестов, подгонки поведения под метрику и утечки тестовых данных в обучение или промпты. Для работы нужны основы тестирования и понимание принципов LLM; без них будет трудно выбрать корректные проверки и трактовать результаты.

## Установка

### Claude Code (родная платформа)

1. **Через claude-code-templates**
```bash
npx claude-code-templates@latest --skill ai-research/agent-evaluation
```

2. **Через Skills CLI (Vercel)**
```bash
npx skills add davila7/claude-code-templates --skill agent-evaluation -a claude-code
```

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

### Codex

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

### Cursor

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

### GitHub Copilot

1. **GitHub CLI**
```bash
gh skill install davila7/claude-code-templates agent-evaluation
```

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

### Gemini CLI

**Командой платформы**
```bash
gemini skills install https://github.com/davila7/claude-code-templates --path cli-tool/components/skills/ai-research/agent-evaluation
```

### Windsurf (Devin Desktop)

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

### 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/davila7/claude-code-templates/tree/HEAD/cli-tool/components/skills/ai-research/agent-evaluation

## Когда брать
- проверить, сохраняет ли агент заданное поведение
- оценить возможности агента на разных задачах
- выявить нестабильность результатов между запусками
- найти случаи, когда агент подстраивается под метрику
- проверить тесты на утечку данных в обучение или промпты

## Примеры запросов агенту
- Проверь, сохраняет ли агент заданные поведенческие условия при повторных запусках.
- Составь план оценки возможностей агента на разных задачах.
- Найди слабые места в тестировании агента и проверь риск утечки тестовых данных.

## Похожие
- [improve-codebase-architecture](https://affpapa.org/nevibecode/skills/improve-codebase-architecture.md) — скилл · 1163035 установок
- [design-taste-frontend](https://affpapa.org/nevibecode/skills/design-taste-frontend.md) — скилл · 678700 установок
- [tdd](https://affpapa.org/nevibecode/skills/tdd.md) — скилл · 1141062 установки
- [skill-creator](https://affpapa.org/nevibecode/skills/skill-creator.md) — скилл · 414180 установок
- [agent-browser](https://affpapa.org/nevibecode/skills/vercel-labs-agent-browser.md) — скилл · 1200000 установок
- [prototype](https://affpapa.org/nevibecode/skills/prototype.md) — скилл · 986201 установка

## Другие версии с тем же именем
- [agent-evaluation · sickn33](https://affpapa.org/nevibecode/skills/sickn33-agent-evaluation.md) — 971 установка
- [agent-evaluation · neolabhq](https://affpapa.org/nevibecode/skills/neolabhq-agent-evaluation.md) — 1300 установок
- [agent-evaluation · mlflow](https://affpapa.org/nevibecode/skills/mlflow-agent-evaluation.md) — 1100 установок

Из того же набора: [davila7/claude-code-templates](https://affpapa.org/nevibecode/by/davila7/claude-code-templates.md) — 495 карточек

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