К основному содержанию
скилл Claude Code CX Codex Cursor GitHub Copilot

agent-eval · colbymchenry — скилл для Claude Code: что делает и как установить

Сравнивает работу агента с CodeGraph и без него на реальном репозитории. Нужен для проверки качества поиска кода и версии CodeGraph.

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

Что делает agent-eval

Скилл запускает аудит качества поиска CodeGraph на выбранном репозитории. Он сравнивает два варианта работы агента: с CodeGraph и с обычными grep и чтением файлов. Перед запуском можно выбрать локальную сборку или опубликованную версию, язык, репозиторий и режим теста.

Проверка выполняется через scripts/agent-eval/audit.sh. Доступны безтерминальный режим, интерактивный запуск в tmux или оба варианта. В отчёте собираются вызовы инструментов, чтения файлов, обращения к CodeGraph, длительность и общая стоимость; для интерактивного режима также читаются логи сессии. Это повод проверить строку загрязнения в сравнительной таблице: если Bash вернул вывод CLI, результаты такого плеча недействительны.

Для работы нужны tmux 3+, авторизованный claude CLI, node и git на macOS или Linux. Запуск выполняется из корня репозитория CodeGraph; аудит пересоздаёт индекс и временно меняет глобальную установку codegraph. Репозитории корпуса клонируются в /tmp/codegraph-corpus.

Какие задачи решает

  • сравнить поиск кода с CodeGraph и без него
  • проверить локальную или опубликованную версию CodeGraph
  • измерить вызовы инструментов и чтения файлов агента
  • найти загрязнение результатов через Bash
  • сопоставить стоимость и корректность ответов

Примеры запросов агенту

  • Запусти `/agent-eval` для аудита CodeGraph на репозитории выбранного языка.
  • Проверь локальную сборку CodeGraph на репозитории и сравни её с обычными `grep` и чтением файлов.
  • Проведи аудит в режиме `headless` и сообщи стоимость, вызовы инструментов и корректность обоих ответов.

Как установить agent-eval

1Через Skills CLI (Vercel)

npx skills add colbymchenry/codegraph --skill agent-eval -a claude-code

2Вручную: положить файлы

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

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

Из того же набора2

Весь набор →

Другие версии agent-eval

Похожие

core-web-vitals web-quality-skills Скилл для оптимизации Core Web Vitals: сначала измеряет, потом правит LCP, INP и CLS. Полезен, когда страница тормозит или прыгает вёрстка. Claude Code CX Codex Cursor +1 31 900установок react vercel-labs Скилл помогает собирать React-интерфейсы из JSON-спецификаций через json-render. Нужен для каталогов компонентов и UI, который создаёт ИИ. Claude Code CX Codex Cursor +1 16 300установок unslop cursor Скилл убирает из текста характерные AI-обороты, лишние метафоры и канцелярит. Пригодится для правки документации, писем и другого текста. Claude Code CX Codex Cursor +1 27 700установок knowledge-synthesis официальный anthropics Скилл объединяет результаты корпоративного поиска из чатов, почты и документов в один связный ответ. Убирает дубли, выставляет уровень доверия и сохраняет ссылки на источники. Claude Code CX Codex Cursor +1 6 400установок yeet официальный openai Проводит весь путь от git add до черновика пул-реквеста через gh. Вызывается только тогда, когда вы прямо об этом попросите. Claude Code CX Codex Cursor +1 3 400установок chakra-ui-builder chakra-ui Скилл собирает адаптивные и доступные интерфейсы на Chakra UI v3, подключает библиотеку и настраивает темы. Пригодится для компонентов, страниц и layout. Claude Code CX Codex Cursor +1 3 500установок setup-matt-pocock-skills Matt Pocock Скилл настраивает репозиторий для инженерных скиллов Matt Pocock: задаёт трекер задач, метки триажа и расположение доменной документации. Запустите его перед первым использованием остальных скиллов. Claude Code 1 052 851установок to-tickets Matt Pocock Разбивает план, спецификацию или переписку на небольшие сквозные задачи и отмечает, какие из них блокируют остальные. Пригодится, когда нужно согласовать порядок работы до публикации задач в трекере. Claude Code 711 230установок

Вопросы о agent-eval

Как установить agent-eval в Claude Code?

Выполните npx skills add colbymchenry/codegraph --skill agent-eval -a claude-code, затем повторите npx skills add colbymchenry/codegraph --skill agent-eval -a claude-code. Файл скилла находится по пути ~/.claude/skills/agent-eval/SKILL.md.

Что делает agent-eval?

Скилл запускает сравнительный аудит CodeGraph на реальном репозитории. Он сопоставляет работу агента с CodeGraph и без него, а затем собирает метрики инструментов, чтения файлов, стоимости и корректности ответа.

Что нужно для запуска agent-eval?

Нужны tmux 3+, авторизованный claude CLI, node и git на macOS или Linux. Запускать аудит нужно из корня репозитория CodeGraph.

Исходный текст

SKILL.md · MIT
---
name: agent-eval
description: Benchmark CodeGraph retrieval quality on a real codebase by comparing agent behavior with vs without CodeGraph. Use when the user runs /agent-eval or asks to test, benchmark, audit, or validate a codegraph version (the local dev build or a published npm version) against a language's repo.
---

# CodeGraph Quality Audit

Measures how much CodeGraph helps an agent versus plain grep/read, for a chosen
codegraph version on a chosen real-world repo. Drives the harness in
`scripts/agent-eval/`.

## Prerequisites
- `tmux` 3+, a logged-in `claude` CLI, `node`, `git` (macOS/Linux).
- Run from the codegraph repo root.

## Workflow

Copy this checklist:
```
- [ ] 1. Pick version (local or npm)
- [ ] 2. Pick language
- [ ] 3. Pick repo by size
- [ ] 4. Pick harness (headless / tmux / both)
- [ ] 5. Run audit.sh in the background
- [ ] 6. Report results
```

**Step 1 — version.** Ask with `AskUserQuestion`: which codegraph version to test.
Offer "Local dev build" and "Latest published"; the free-text "Other" lets the
user type a specific version (e.g. `0.7.10`). Map the answer to a VERSION token:
- "Local dev build" → `local`
- "Latest published" → `latest`
- a typed version → that string (e.g. `0.7.10`)

**Step 2 — language.** Read `.claude/skills/agent-eval/corpus.json`. Ask with
`AskUserQuestion` which language to test, listing the languages that have entries.

**Step 3 — repo.** From the chosen language's entries, ask which repo. Label each
option with its size and file count, e.g. `excalidraw — Medium (~600 files)`.
Each entry carries the `repo` URL and a representative `question`.

**Step 4 — harness.** Ask with `AskUserQuestion` which harness to run, and map
the answer to a MODE token:
- "Headless" → `headless` — `claude -p` with stream-json: exact tokens/cost and a
  clean tool sequence (2 runs, fast, no TTY).
- "Interactive (tmux)" → `tmux` — drives the real Claude TUI in tmux: faithful
  Explore-subagent behavior, metrics from session logs (2 runs, slower).
- "Both" → `all` — headless + interactive (4 runs).

**Step 5 — run.** Launch in the background (sets the version, clones if missing,
wipes + re-indexes, runs the chosen arms — several minutes):
```bash
scripts/agent-eval/audit.sh <VERSION> <repo-name> <repo-url> "<question>" <MODE>
```

**Step 6 — report.** When the job finishes, read the log and report per arm:
- Headless (`parse-run.mjs`): total tool calls, file `Read`s, Grep/Bash,
  codegraph-tool calls, duration, **total cost**.
- Interactive (`parse-session.mjs`): the `VERDICT: codegraph_explore used Nx |
  Read N | Grep/Bash N` and `TOKENS:` lines.
- Both paths also print the three feedback metrics — residual context occupancy,
  explore sufficiency, allocation efficiency — and a headless A/B ends with a
  side-by-side `ARM COMPARISON` table. Report that table, and check its
  contamination row first: `CLI calls that RETURNED output` > 0 means the arm
  reached codegraph through Bash and its numbers are void. How to read the rest:
  `docs/benchmarks/agent-eval-feedback-metrics.md`.

Lead with cost + tool/Read counts — they are the reliable signals; raw token
in/out are confounded by subagent delegation and prompt caching. State whether
codegraph reduced effort and whether both arms reached a correct answer.

## Notes
- The index is rebuilt every run (`audit.sh` wipes `.codegraph`) — different
  versions extract differently, so an index must be served by the same binary
  that built it.
- `audit.sh` temporarily mutates the global `codegraph` install for the test,
  then restores your dev link via `local-install.sh`.
- Corpus repos are cloned to `/tmp/codegraph-corpus` (reused if already present).
- Add or edit repos in `corpus.json` (fields: `name`, `repo`, `size`, `files`,
  `question`).

© colbymchenry · MIT · colbymchenry/codegraph

Смотрите также

Спонсоры проекта

Компании, которые помогают держать аналитику открытой