К основному содержанию
скилл CX Codex

build-review-interface — скилл для Claude Code: обзор и установка

Создаёт браузерный интерфейс для разметки трейсов LLM с сохранением в JSON, CSV или SQLite. Пригодится при сборе человеческой обратной связи и оценке моделей.

Установить в Claude Code · Через Skills CLI (Vercel) Все способы и платформы ↓
npx skills add ai-evals-course/evals-skills --skill build-review-interface -a claude-code
Открыть на GitHub

Что делает build-review-interface

Скилл описывает правила сборки локальной HTML-страницы для просмотра прогонов языковых моделей. Интерфейс загружает данные из файлов JSON или CSV и показывает трейсы по одному. Разметчик оценивает весь прогон целиком с помощью кнопок Pass, Fail или Defer, а также оставляет текстовые заметки. Все решения сохраняются автоматически.

Большое внимание уделено чистоте отображения. Повторяющиеся системные промпты и тяжеловесные ответы инструментов прячутся под спойлеры <details>. Markdown рендерится, код подсвечивается, а сырой HTML из ответов модели вырезается для безопасности. Для быстрой работы предусмотрены горячие клавиши: стрелки для перехода, клавиши 1 и 2 для вердикта, D для откладывания и Cmd+Enter для сохранения.

Логику сэмплинга данных придётся держать в отдельном скрипте: интерфейс принимает готовые файлы и сам выборку не строит. После сборки страницы инструкция предлагает протестировать вёрстку и сценарии разметки с помощью Playwright, включая снятие скриншотов и проверку сохранения меток после перезагрузки.

Какие задачи решает

  • собрать HTML-страницу для просмотра и разметки трейсов LLM
  • настроить оценку прогонов кнопками Pass, Fail и Defer
  • скрыть длинные системные промпты и вызовы инструментов под спойлеры
  • протестировать логику сохранения меток с помощью Playwright

Примеры запросов агенту

  • Собери HTML-страницу для разметки трейсов модели из traces.json с кнопками Pass и Fail.
  • Сделай интерфейс для ревью диалогов с горячими клавишами и сохранением в SQLite.

Как установить build-review-interface

1Через Skills CLI (Vercel)

npx skills add ai-evals-course/evals-skills --skill build-review-interface -a claude-code

2Вручную: положить файлы

~/.claude/skills/build-review-interface/SKILL.md

Папка скилла целиком; для одного проекта — .claude/skills/build-review-interface/

По шагам, с командами для каждой платформы: Как установить скилл в Claude Code: пять способов

Вопросы о build-review-interface

Как установить build-review-interface в Claude Code?

Выполните команду npx skills add ai-evals-course/evals-skills --skill build-review-interface -a claude-code в терминале.

Что делает скилл build-review-interface?

Он даёт модели пошаговые инструкции по созданию браузерного интерфейса для построчного ревью трейсов LLM, сбора оценок и автоматического сохранения меток в локальный файл.

В каком формате интерфейс сохраняет результаты разметки?

Метки и заметки сохраняются в локальный файл на выбор: CSV, JSON или базу данных SQLite.

Исходный текст

SKILL.md · Apache-2.0
---
name: build-review-interface
description: >
  Build a custom browser-based annotation interface tailored to your data for
  reviewing LLM traces and collecting structured feedback. Use when you need to
  build an annotation tool, review traces, or collect human labels.
---

# Build a Custom Annotation Interface

## Overview

Build an HTML page that loads traces from a data source (JSON/CSV file), displays one trace at a time with Pass/Fail buttons, a free-text notes field, and Next/Previous navigation. Save labels to a local file (CSV/SQLite/JSON). Then customize to the domain using the guidelines below.

## Data Display

Format all data in the most human-readable representation for the domain. Emails should look like emails. Code should have syntax highlighting. Markdown should be rendered. Tables should be tables. JSON should be pretty-printed and collapsible.

- **Collapse repetitive elements.** If every trace shares the same system prompt, put it in a `<details>` toggle.
- **Extract and surface key metadata.** If traces contain a property name, client type, or session ID buried in the data, extract it and display it prominently as a header or badge.
- **Color-code by role or status.** Use left-border colors to distinguish user messages, assistant messages, tool calls, and system prompts at a glance.
- **Group related elements visually.** Tool calls and their responses should be visually linked (indentation, shared border).
- **Collapse what doesn't help judgment.** Verbose tool response JSON, intermediate reasoning steps, and debugging context go behind toggles.
- **Highlight what matters most.** Make the primary content reviewers judge visually dominant. Bold key entities (prices, dates, names). Use font size and spacing to create hierarchy.
- **Show the full trace.** Include all intermediate steps (tool calls, retrieved context, reasoning), not just the final output. Collapse them by default but keep them accessible.
- **Sanitize rendered content.** Strip raw HTML from LLM outputs before rendering. Disable images in rendered markdown if they could be tracking pixels.

## Feedback Collection

Annotate at the trace level. The reviewer judges the whole trace, not individual spans.

- Binary Pass/Fail buttons as the primary action.
- Free-text notes field for the reviewer to describe what went wrong (or right).
- Defer button for uncertain cases.
- Auto-save on every action.

Once you have established failure categories from error analysis, you can later add predefined failure mode tags as clickable checkboxes, dropdowns or picklists so reviewers can select from known categories in addition to writing notes. But don't add these in the initial build.

## Navigation and Status

- Next/Previous buttons and keyboard arrow keys.
- Trace counter showing position and progress ("12 of 87 remaining").
- Jump to specific trace by ID.
- Counts of labeled vs unlabeled traces.

## Keyboard Shortcuts

```
Arrow keys = Navigate traces
1 = Pass              2 = Fail
D = Defer             U = Undo last action
Cmd+S = Save          Cmd+Enter = Save and next
```

## Selecting Traces to Load

Build the app to accept traces from any source (JSON/CSV file). Keep sampling logic outside the app in a separate script. Start with random sampling.

## Additional Features

**Reference panel:** Toggle-able panel showing ground truth, expected answers, or rubric definitions alongside the trace.

**Filtering:** Filter traces by metadata dimensions relevant to the product (channel, user type, pipeline version).

**Clustering:** Group traces by metadata or semantic similarity. Show representative traces per cluster with drill-down.

## Design Checklist

- [ ] Same layout, controls, and terminology on every trace
- [ ] Pass and Fail buttons are visually distinct (color, size)
- [ ] Keyboard shortcuts work for all primary actions
- [ ] Full trace accessible even when sections are collapsed
- [ ] Labels persist automatically without explicit save
- [ ] Trace-level annotation (not span-level) as the default
- [ ] All data rendered in its native format (markdown as HTML, code with highlighting, JSON pretty-printed, tables as HTML tables, URLs as clickable links)

## Testing

After building the interface, verify it with Playwright.

**Visual review:** Take screenshots of the interface with representative trace data loaded. Review each screenshot for:
- Layout and spacing: is the visual hierarchy clear? Can you immediately see what matters?
- Readability: is all data rendered in its native format? Are there any raw JSON blobs, unrendered markdown, or unstyled content?
- Aesthetics: does the interface look professional and clean? Would a domain expert use this?
- Responsiveness: does the layout hold at different window sizes?

**Functional test:** Write a Playwright script that performs a full annotation workflow:
1. Load the app and verify traces are displayed
2. Click Pass on a trace, verify the label is saved
3. Click Fail on a trace, add a note, verify both are saved
4. Click Defer, verify it is recorded
5. Navigate forward and backward with buttons and keyboard shortcuts
6. Verify the trace counter updates correctly
7. Verify auto-save by reloading the page and checking labels persist
8. Expand collapsed sections (system prompts, tool calls) and verify content is accessible
9. Test that all keyboard shortcuts trigger the correct actions

© ai-evals-course · Apache-2.0 · ai-evals-course/evals-skills

Похожие скиллы

Всё по теме «ИИ и ML» →
explain-interface jakubkrehel Разбирает чужие веб-интерфейсы, анимации и визуальные эффекты по ссылке или скриншоту. Помогает понять, из каких слоёв и стилей собран элемент. CX Codex +1 14 100установок cc-design-html-prototyping reason-machines Скилл помогает агенту создавать HTML-макеты, презентации и интерактивные прототипы. Пригодится, когда нужно проверить визуальное направление до разработки интерфейса. CX Codex +1 423установок design-review jezweb Проверяет визуальное качество веб-страницы или приложения и готовит отчёт со скриншотами. Нужен, когда интерфейс выглядит неровно, но причина неясна. CX Codex +1 1 400установок pentestify-security-report-generator reason-machines Скилл для генерации отчётов по пентесту: учёт уязвимостей, статистика рисков в реальном времени и выгрузка в PDF. CX Codex +1 747установок hairline-create lucasmarkes Генерирует интерактивную изометрическую векторную фигуру в стиле движка Hairline и упаковывает её в один автономный HTML-файл. CX Codex +1 5 200установок slide-creator Starchild-ai-agent Скилл верстает презентации формата 16:9 на HTML и CSS, а затем экспортирует их в PDF через headless Chromium. CX Codex +1 4 100установок

Из того же набора9

write-judge-prompt Помогает собрать бинарный Pass/Fail оценщик для одного субъективного сбоя: тона, верности ответа, релевантности. Пригодится, когда кодом такое не проверить. CX Codex +1 1 100установок validate-evaluator Скилл проверяет, совпадает ли вердикт LLM-судьи с оценками эксперта, и считает TPR/TNR на отложенной выборке. CX Codex +1 1 100установок eval-audit Скилл находит слабые места в пайплайнах оценки LLM: невалидированных судей, шкалы Лайкерта и утечки данных. Пригодится при ревизии готовых эвалов или настройке с нуля. CX Codex +1 1 000установок error-discovery Скилл для интерактивного разбора датасета с выводами LLM: строит UI для просмотра, отбирает разные примеры и помогает собрать типы сбоев. CX Codex +1 1 000установок generate-synthetic-data Скилл собирает разнообразные тестовые запросы для оценки LLM-пайплайна, когда реальных данных мало. CX Codex +1 984установок evaluate-rag Помогает раздельно оценить поиск и генерацию в RAG, подобрать метрики и проверить разбиение документов на чанки. CX Codex +1 970установок evals-start Направляет запрос по оценке ИИ-системы в нужный специализированный скилл. Нужен, когда неясно, с чего начать или какой сценарий выбрать. CX Codex +1 776установок write-code-eval Скилл помогает написать код-эвалуатор для известного режима отказа: одна проверка на правило, как юнит-тест для трейса. CX Codex +1 347установок

Спонсоры проекта

Компании, которые помогают держать аналитику открытой