К основному содержанию
скилл CX Codex

cli-eval — скилл для Claude Code: что делает и как установить

Запускает бенчмарки LLM из консоли и собирает скоркарды моделей. Помогает находить регрессии до деплоя в CI.

Установить в Claude Code · Через Skills CLI (Vercel) Все способы и платформы ↓
npx skills add cheaper-inference/OmniRoute --skill cli-eval -a claude-code
Открыть на GitHub

Что делает cli-eval

Скилл учит агента работать с подкомандами omniroute eval. Он собирает тестовые сьюты из JSONL-файлов, где для каждого примера заданы поля input и expected_output. Доступны четыре типа критериев оценки: exact-match, contains, llm-judge и regex. База данных OmniRoute сохраняет сьюты и результаты запусков локально.

Тесты запускаются асинхронно. Флаг --watch включает живой TUI-дашборд с прогрессом. Вывод в формате JSON позволяет передавать итоговый балл в jq и останавливать пайплайн в CI при низких результатах. Также поддерживается прямая симуляция промптов через omniroute simulate с настройкой бюджета рассуждений.

Для работы требуется установленный в системе CLI-инструмент omniroute. Без него команды завершатся ошибкой.

Какие задачи решает

  • запустить оценку качества модели по набору примеров из JSONL
  • сравнить баллы нескольких моделей на одном бенчмарке
  • настроить проверку порога качества в CI-пайплайне
  • отслеживать ход тестирования в реальном времени через терминал

Примеры запросов агенту

  • Создай тестовый сьют из файла samples.jsonl с проверкой по exact-match
  • Запусти бенчмарк suite-123 на модели claude-sonnet-4-6 с выводом прогресса в консоль
  • Покажи скоркарт и упавшие примеры для запуска run-456

Как установить cli-eval

1Через Skills CLI (Vercel)

npx skills add cheaper-inference/OmniRoute --skill cli-eval -a claude-code

2Вручную: положить файлы

~/.claude/skills/cli-eval/SKILL.md

Папка скилла целиком; для одного проекта — .claude/skills/cli-eval/

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

Вопросы о cli-eval

Как установить cli-eval в Claude Code?

Выполните команду npx skills add cheaper-inference/OmniRoute --skill cli-eval -a claude-code.

Что делает скилл cli-eval?

Он даёт агенту инструкции для управления бенчмарками через CLI omniroute. Скилл помогает создавать наборы тестов, запускать проверку моделей и просматривать скоркарды.

Какие требования нужны для работы cli-eval?

В системе должен быть установлен пакет omniroute. Его можно поставить глобально через npm install -g omniroute или запускать через npx omniroute.

Исходный текст

SKILL.md · MIT
---
name: cli-eval
description: Create and run evaluation suites, watch live benchmark progress, view scorecards, compare model performance, and integrate eval runs with CI workflows from the CLI.
---
<!-- generated by src/lib/agentSkills/generator.ts; manual edits will be overwritten -->

## Overview

Create and run evaluation suites, watch live benchmark progress, view scorecards, compare model performance, and integrate eval runs with CI workflows from the CLI.

## Quick install

```bash
npm install -g omniroute   # or: npx omniroute
omniroute --version
```

## Subcommands

### `eval`

**Example:**

```bash
omniroute eval
```

### `eval suites`

**Example:**

```bash
omniroute eval suites
```

### `eval list`

**Example:**

```bash
omniroute eval list
```

### `eval get <suiteId>`

**Example:**

```bash
omniroute eval get <suiteId>
```

### `eval create`

**Flags:**

- `--file <path>`

**Example:**

```bash
omniroute eval create
```

### `eval run <suiteId>`

**Flags:**

- `-m, --model <id>`
- `--combo <name>`
- `--concurrency <n>`
- `--tag <tag>`
- `--watch`

**Example:**

```bash
omniroute eval run <suiteId>
```

### `eval list`

**Flags:**

- `--suite <id>`
- `--status <s>`
- `--since <ts>`
- `--limit <n>`

**Example:**

```bash
omniroute eval list
```

### `eval get <runId>`

**Example:**

```bash
omniroute eval get <runId>
```

### `eval results <runId>`

**Flags:**

- `--failed`

**Example:**

```bash
omniroute eval results <runId>
```

### `eval cancel <runId>`

**Flags:**

- `--yes`

**Example:**

```bash
omniroute eval cancel <runId>
```

### `eval scorecard <runId>`

**Example:**

```bash
omniroute eval scorecard <runId>
```

### `simulate [prompt]`

**Flags:**

- `--file <path>`
- `-m, --model <id>`
- `--combo <name>`
- `--reasoning-effort <level>`
- `--thinking-budget <n>`
- `--explain`

**Example:**

```bash
omniroute simulate [prompt]
```

<!-- skill:custom-start -->
<!-- Migrated from skills/omniroute-cli-eval/SKILL.md (preserved curated content) -->

# OmniRoute — CLI Evals

Requires the `omniroute` CLI. See [CLI entry-point skill](https://raw.githubusercontent.com/diegosouzapw/OmniRoute/main/skills/cli-serve/SKILL.md) for install + global flags.

## What are evals?

Evals are automated test suites that score LLM outputs against expected answers or rubrics. OmniRoute stores suites and run results in its local database.

## Eval suites

```bash
omniroute eval suites list                       # List all eval suites
omniroute eval suites list --json                # JSON output

omniroute eval suites get <suiteId>              # Full suite definition
```

### Create a suite

```bash
omniroute eval suites create \
  --name "code-quality" \
  --rubric "exact-match" \
  --samples-file ./samples.jsonl                 # JSONL: {input, expected_output}
```

Rubric options: `exact-match`, `contains`, `llm-judge`, `regex`.

`--samples-file` format (one JSON object per line):

```jsonl
{"input": "What is 2+2?", "expected_output": "4"}
{"input": "Translate 'hello' to Spanish", "expected_output": "hola"}
```

## Run an eval

```bash
omniroute eval suites run <suiteId> \
  --model claude-sonnet-4-6                      # Run suite against a specific model

omniroute eval suites run <suiteId> \
  --model gpt-4o \
  --watch                                        # Live TUI progress (EvalWatch)
```

The run is asynchronous. Use `--watch` for a live terminal dashboard or poll manually:

```bash
RUN_ID=$(omniroute eval suites run <suiteId> --model claude-sonnet-4-6 --output json | jq -r '.id')
omniroute eval get $RUN_ID
```

## Manage runs

```bash
omniroute eval list                              # List all eval runs
omniroute eval list --json

omniroute eval get <runId>                       # Run details (status, model, score)
omniroute eval results <runId>                   # Per-sample results
omniroute eval scorecard <runId>                 # Full scorecard with pass/fail per sample
omniroute eval cancel <runId>                    # Cancel a running eval
```

## Scorecard output

```bash
omniroute eval scorecard <runId> --output json
```

Response fields per sample:

```json
{
  "id": "sample-1",
  "score": 0.95,
  "passed": true,
  "input": "What is 2+2?",
  "output": "4",
  "expected": "4"
}
```

## Comparing models

Run the same suite against multiple models and compare:

```bash
for MODEL in claude-sonnet-4-6 gpt-4o gemini-2.0-flash; do
  omniroute eval suites run $SUITE_ID --model $MODEL --output json | jq '{model: .model, score: .score}'
done
```

## CI integration

```bash
# Run and fail CI if score drops below threshold
SCORE=$(omniroute eval suites run $SUITE_ID --model claude-sonnet-4-6 --output json | jq -r '.score')
python3 -c "import sys; score=float('$SCORE'); sys.exit(0 if score >= 0.90 else 1)"
```

## Errors

- `suites create` fails with `invalid rubric` → use one of: `exact-match`, `contains`, `llm-judge`, `regex`
- `suites run` returns `model not found` → verify model ID with `omniroute models --search <name>`
- `eval get` shows `status: failed` → check `omniroute logs --search eval` for error details
- `scorecard` returns empty results → the run may still be `running`; poll `omniroute eval get <runId>` until `status` is `completed`
<!-- skill:custom-end -->

© cheaper-inference · MIT · cheaper-inference/OmniRoute

Похожие скиллы

Всё по теме «ИИ и ML» →
skill-creator официальный anthropics Помогает создать новый скилл, доработать существующий и проверить результат через тестовые промпты и оценки. 414 180установок writing-for-agents Matt Pocock Помогает писать скиллы и документы с инструкциями для агентов. Пригодится при правках AGENTS.md, CLAUDE.md и связанных справочных файлов. 466 719установок media-use heygen-com Находит и генерирует ассеты для видео в HyperFrames — музыку, дикторский голос, аватары и эффекты. Сохраняет всё локально в assets. CX Codex +1 1 100 000установок mcp-builder официальный anthropics Скилл проводит через создание MCP-сервера на TypeScript или Python: от изучения протокола до тестов и оценки качества. 130 949установок subagent-driven-development Jesse Vincent Скилл выполняет план через отдельных субагентов для каждой задачи и проверяет результат после каждого шага. Подходит для независимых задач в одной сессии. CX Codex 237 746установок orchestration stablyai Координирует воркеров Orca через DAG задач, циклы супервизора и цепочки сообщений. Пригодится для распределения сложной работы между агентами. CX Codex +1 349 800установок

Из того же набора45

cli-contexts Управляет контекстной инженерией, наборами фильтров RTK и сессиями диалогов через интерфейс командной строки утилиты OmniRoute. CX Codex +1 958установок cli-tunnel Управляет туннелями ngrok, Cloudflare и пользовательскими подключениями через интерфейс OmniRoute. Пригодится для проверки локальных веб-хуков и публичных адресов. CX Codex +1 969установок cli-a2a Скилл помогает управлять OmniRoute A2A-сервером из CLI: отправлять задачи, смотреть историю и проверять JSON-RPC 2.0. CX Codex +1 956установок omni-github-skills Ищет файлы навыков вроде SKILL.md и CLAUDE.md в репозиториях GitHub, проверяет их на вредоносный код и импортирует в окружение агента. CX Codex +1 968установок omni-webhooks Управляет вебхуками OmniRoute: создаёт, проверяет и удаляет конечные точки, настраивает события и повторные доставки. CX Codex +1 965установок cli-policy-audit Разбирает журналы аудита, правила доступа и телеметрию Anthropic прямо из терминала. Пригодится, когда нужно отфильтровать события по типу, пользователю или периоду. CX Codex +1 952установок cli-batches Скилл отправляет и отслеживает пакетные задачи инференса через CLI OmniRoute. Помогает загружать файлы, забирать результаты и встраивать пайплайны в CI/CD. CX Codex +1 964установок omni-proxies Настраивает HTTP, HTTPS и SOCKS-прокси для запросов к апстрим-провайдерам в OmniRoute: правила по провайдеру или глобально, проверка соединения и ротация. CX Codex +1 960установок

Спонсоры проекта

Компании, которые помогают держать аналитику открытой