К основному содержанию
скилл Claude Code

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

Оценивает и ранжирует результаты работы агентов AgentHub по метрикам или с помощью LLM-судьи. Помогает выбрать лучшее решение сессии.

Установить в Claude Code · Через маркетплейс плагинов Все способы и платформы ↓
/plugin marketplace add alirezarezvani/claude-skills
/plugin install agenthub@claude-code-skills
Открыть на GitHub

Что делает eval

Скилл оценивает результаты параллельных агентов в сессиях AgentHub через команду /hub:eval. Он поддерживает режимы числовых метрик, сравнение изменений через LLM-судью и гибридный вариант.

В режиме метрик скрипт result_ranker.py выполняет заданную команду в рабочей копии каждого агента, ранжируя результаты по показателям и числу затронутых файлов. Если тесты не заданы или передан флаг --judge, скилл анализирует git diff относительно базовой ветки вместе с файлами .agenthub/board/results/. LLM оценивает корректность и объем правок, отдавая приоритет компактным решениям. В гибридном режиме судья подключается только при разнице метрик менее 10%.

После подведения итогов session_manager.py переводит сессию в статус evaluating и выводит команду /hub:merge. Скилл стоит ставить, если вы запускаете параллельных агентов AgentHub и хотите автоматизировать выбор победителя.

Какие задачи решает

  • сравнить диффы нескольких веток агентов AgentHub
  • выбрать лучшее решение по тестам или скорости выполнения
  • разрешить спор между близкими по метрикам агентами через LLM-судью
  • подготовить сессию AgentHub к слиянию ветки победителя

Примеры запросов агенту

  • /hub:eval
  • /hub:eval 20260317-143022
  • /hub:eval --judge

Как установить eval

1Через маркетплейс плагинов

/plugin marketplace add alirezarezvani/claude-skills
/plugin install agenthub@claude-code-skills

Команда ставит плагин agenthub целиком, со всеми его скиллами

2Через Skills CLI (Vercel)

npx skills add alirezarezvani/claude-skills --skill eval -a claude-code

3Вручную: положить файлы

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

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

Из того же набора349

Весь набор →
engineering-skills Alireza Rezvani Каталог инженерных скиллов для Claude Code: помогает выбрать роль под задачу и загрузить только нужный SKILL.md. Подходит для архитектуры, тестов, DevOps и работы с данными. Claude Code 2 387установок finance-skills Alireza Rezvani Маршрутизирует финансовые запросы между тремя скиллами бандла: financial-analyst, saas-metrics-coach и month-end-close. Claude Code 2 312установок marketing-skills Alireza Rezvani Каталог и роутер для маркетинговых скиллов в Claude Code. Помогает выбрать нужный скилл для SEO, контента, CRO, каналов и других задач. Claude Code 2 264установок business-growth-skills Alireza Rezvani Маршрутизирует запросы по продажам и клиентскому сервису между четырьмя специализированными скиллами плагина в Claude Code. Claude Code 2 189установок engineering-advanced-skills Alireza Rezvani Индекс из 37 инженерных скиллов для архитектуры, автоматизации, надёжности и платформенных задач. Пригодится, когда проекту нужны отдельные рабочие сценарии. Claude Code 2 019установок product-skills Alireza Rezvani Оркестратор продуктовой работы для Claude Code. Маршрутизирует задачи между 16 направлениями и проверяет дерево возможностей скриптами. Claude Code 1 994установок pm-skills Alireza Rezvani Оркестрирует проектную работу через 8 PM-скиллов: Jira, Confluence, спринты, отчёты и коммуникации. Подходит для маршрутизации запросов и контроля delivery-цикла. Claude Code 1 975установок senior-backend Alireza Rezvani Скилл помогает проектировать архитектуру бэкенда, настраивать REST API и оптимизировать базы данных. Пригодится при создании роутов, ревью кода и нагрузочном тестировании. Claude Code 1 674установок

Похожие

commit-message-storyteller официальный github Анализирует git diff или описание правок и составляет текст коммита по стандарту Conventional Commits с объяснением причин изменений. GitHub Copilot 392установок harness-engineering официальный github Скилл превращает повторяющиеся ошибки ИИ-агентов в правила репозитория, тесты регрессий и проверки дрейфа. Пригодится, когда Copilot регулярно ломает сборку или нарушает архитектуру. GitHub Copilot 366установок improve-codebase-architecture Matt Pocock Скилл ищет архитектурные узкие места в кодовой базе и показывает варианты углубления модулей в HTML-отчёте. Подойдёт для ревью перед рефакторингом. Claude Code 1 163 035установок tdd Matt Pocock Скилл управляет циклом красный-зелёный в TDD: проверяет, что тесты пишутся до кода, держит их на уровне публичных интерфейсов и не завязывает на внутреннюю структуру. Claude Code 1 141 062установок triage Matt Pocock Скилл проводит issue и внешние PR через роли триажа, проверку и подготовку брифа для агента. Подойдёт мейнтейнеру, который разбирает очередь задач. Claude Code 990 453установок codebase-design Matt Pocock Скилл помогает проектировать модули с небольшим интерфейсом и скрытой внутри сложностью. Подходит для рефакторинга, тестируемости и поиска чистого seam. Claude Code 850 344установок code-review Matt Pocock Проверяет изменения от выбранной точки по стандартам репозитория и требованиям задачи. Нужен для ревью ветки, PR или незавершённой работы. Claude Code 789 521установок implement Matt Pocock Выполняет задачу по спецификации или тикетам, ведёт работу через тесты и завершает её ревью с коммитом. Подходит для задач, где нужен дисциплинированный цикл разработки. Claude Code 774 700установок

Вопросы о eval

Как установить eval в Claude Code?

Выполните команду npx skills add alirezarezvani/claude-skills --skill eval -a claude-code или добавьте плагин через /plugin marketplace add alirezarezvani/claude-skills.

По каким критериям LLM-судья оценивает работу агентов?

Судья проверяет git diff относительно базовой ветки и отчёты агентов. Оценка строится на проверке корректности задачи и простоте кода с предпочтением меньшего числа правок.

Что происходит после выполнения команды /hub:eval?

Скрипт обновляет статус сессии на evaluating, выводит таблицу с победителем и предлагает запустить /hub:merge для слияния ветки.

Исходный текст

SKILL.md · MIT
---
name: "eval"
description: "Evaluate and rank agent results by metric or LLM judge for an AgentHub session. Use when the user runs /hub:eval or asks to score, compare, or pick a winner among completed AgentHub agents."
metadata:
  command: /hub:eval
---

# /hub:eval — Evaluate Agent Results

Rank all agent results for a session. Supports metric-based evaluation (run a command), LLM judge (compare diffs), or hybrid.

## Usage

```
/hub:eval                           # Eval latest session using configured criteria
/hub:eval 20260317-143022           # Eval specific session
/hub:eval --judge                   # Force LLM judge mode (ignore metric config)
```

## What It Does

### Metric Mode (eval command configured)

Run the evaluation command in each agent's worktree:

```bash
python {skill_path}/scripts/result_ranker.py \
  --session {session-id} \
  --eval-cmd "{eval_cmd}" \
  --metric {metric} --direction {direction}
```

Output:
```
RANK  AGENT       METRIC      DELTA      FILES
1     agent-2     142ms       -38ms      2
2     agent-1     165ms       -15ms      3
3     agent-3     190ms       +10ms      1

Winner: agent-2 (142ms)
```

### LLM Judge Mode (no eval command, or --judge flag)

For each agent:
1. Get the diff: `git diff {base_branch}...{agent_branch}`
2. Read the agent's result post from `.agenthub/board/results/agent-{i}-result.md`
3. Compare all diffs and rank by:
   - **Correctness** — Does it solve the task?
   - **Simplicity** — Fewer lines changed is better (when equal correctness)
   - **Quality** — Clean execution, good structure, no regressions

Present rankings with justification.

Example LLM judge output for a content task:
```
RANK  AGENT    VERDICT                               WORD COUNT
1     agent-1  Strong narrative, clear CTA            1480
2     agent-3  Good data points, weak intro           1520
3     agent-2  Generic tone, no differentiation       1350

Winner: agent-1 (strongest narrative arc and call-to-action)
```

### Hybrid Mode

1. Run metric evaluation first
2. If top agents are within 10% of each other, use LLM judge to break ties
3. Present both metric and qualitative rankings

## After Eval

1. Update session state:
```bash
python {skill_path}/scripts/session_manager.py --update {session-id} --state evaluating
```

2. Tell the user:
   - Ranked results with winner highlighted
   - Next step: `/hub:merge` to merge the winner
   - Or `/hub:merge {session-id} --agent {winner}` to be explicit

© Alireza Rezvani · MIT · alirezarezvani/claude-skills

Смотрите также

Спонсоры проекта

Компании, которые помогают держать аналитику открытой