eval-runner — скилл для Claude Code: что делает и как установить
Запускает сценарии бенчмаркинга для оценки агента в Mycelium и фиксирует метрики прогона.
npx skills add haabe/mycelium --skill eval-runner -a claude-codeЧто делает eval-runner
Скилл предназначен для запуска эвалов по сценариям из каталога .claude/evals/scenarios/. Он парсит параметры задачи, выполняет шаги настройки, прогоняет решение через цикл рефлексии с учётом предыдущих исправлений и проверяет все критерии успеха. Результаты сохраняются в формате JSON внутри .claude/evals/results/, а сводная статистика обновляет .claude/evals/pass-history.json.
Команды поддерживают пакетный запуск тестов в изоляции через git stash, разделение сценариев на сплиты optimization и holdout, генерацию табличных отчётов и очистку устаревших тестов командой prune. Инструмент mine умеет анализировать журнал изменений .claude/state/change-log.jsonl и находить проблемные места в коде или инструкциях, предлагая новые шаблоны сценариев.
Скилл рассчитан на работу внутри фреймворка Mycelium: автономный запуск пропускает состояние канваса и встроенные проверки среды.
Какие задачи решает
- запустить бенчмарк агента по готовым YAML-сценариям
- собрать сводную таблицу успешности и времени выполнения прогонов
- выявить кластеры частых правок и сгенерировать новые тесты из логов
- провести аудит устаревших и неработающих проверок командой prune
Примеры запросов агенту
- Запусти сценарий delivery/api-cache через eval-runner
- Собери отчёт по результатам бенчмарков командой eval-runner report
- Проанализируй логи изменений и предложи новые эвалы через eval-runner mine
Как установить eval-runner
1Через Skills CLI (Vercel)
npx skills add haabe/mycelium --skill eval-runner -a claude-code2Вручную: положить файлы
~/.claude/skills/eval-runner/SKILL.mdПапка скилла целиком; для одного проекта — .claude/skills/eval-runner/
1Через Skills CLI (Vercel)
npx skills add haabe/mycelium --skill eval-runner -a codex2Вручную: положить файлы
.agents/skills/eval-runner/SKILL.mdДля всех проектов — ~/.agents/skills/
1Через Skills CLI (Vercel)
npx skills add haabe/mycelium --skill eval-runner -a cursor2Вручную: положить файлы
.cursor/skills/eval-runner/SKILL.mdCursor читает и .agents/skills/, и .claude/skills/
1GitHub CLI
gh skill install haabe/mycelium eval-runner2Вручную: положить файлы
.github/skills/eval-runner/SKILL.md1Через Skills CLI (Vercel)
npx skills add haabe/mycelium --skill eval-runner -a gemini-cli2Командой платформы
gemini skills install https://github.com/haabe/mycelium --path plugins/mycelium/skills/eval-runnerВручную: положить файлы
.devin/skills/eval-runner/SKILL.mdСтарый путь .windsurf/skills/ тоже читается
Через Skills CLI (Vercel)
npx skills add haabe/mycelium --skill eval-runner -a opencodeClaude.ai
Упакуйте папку в zip и загрузите в Settings → Capabilities → Skills
По шагам, с командами для каждой платформы: Как установить скилл в Claude Code: пять способов
Вопросы о eval-runner
Как установить eval-runner в Claude Code?
Выполните в терминале команду npx skills add haabe/mycelium --skill eval-runner -a claude-code.
Что делает скилл eval-runner?
Он выполняет тестовые сценарии для проверки качества работы агента, проверяет критерии успеха, изолирует прогоны через git stash и ведёт историю прохождения тестов.
Можно ли использовать eval-runner без фреймворка Mycelium?
При автономном использовании скилл пропустит состояние канваса, теоретические гейты и логику harness-окружения, на которые он опирается.
Исходный текст
SKILL.md · MIT
--- name: eval-runner description: "Run eval scenarios to benchmark Mycelium effectiveness. Execute tasks using reflexion loop, validate against success criteria, record metrics." metadata: instruction_budget: "41" framework_dependency: "mycelium" framework_dependency_note: "This skill is designed to run within the Mycelium framework (https://github.com/haabe/mycelium). Standalone use will skip the canvas state, theory gates, and harness behavior the skill assumes. Install: /plugin install mycelium@haabe-mycelium." --- # Eval Runner Benchmark the agent's performance against defined scenarios. Adapted from n-trax eval system. ## Commands ### `run <category/name>` 1. Read YAML from `.claude/evals/scenarios/<category>/<name>.yml` 2. Parse fields (name, category, task_prompt, success_criteria, budget) 3. Execute setup steps if defined 4. Record start time 5. Execute task via reflexion workflow (read corrections first) 6. Record end time and iteration count 7. Validate ALL success criteria 8. Write result JSON to `.claude/evals/results/<timestamp>-<name>.json` 9. Report summary ### `run-all [category]` 1. Glob `.claude/evals/scenarios/**/*.yml` 2. Skip scenarios with `status: retired` 3. For each: run in isolation (git stash), record result, restore 4. Update `.claude/evals/pass-history.json` with each result 5. Aggregate and report ### `run-split <optimization|holdout>` 1. Glob `.claude/evals/scenarios/**/*.yml` 2. Read each YAML, filter by `split` field matching the requested set 3. Skip scenarios with `status: retired` 4. For each matching scenario: run in isolation, record result, restore 5. Update `.claude/evals/pass-history.json` with each result 6. Aggregate and report (label output clearly as "Optimization Set" or "Holdout Set") ### `report` 1. Read all results from `.claude/evals/results/` 2. Generate summary table: ``` | Category | Pass Rate | Avg Iterations | Avg Time | Notes | |-------------|-----------|----------------|----------|-------| | discovery | ... | ... | ... | | | delivery | ... | ... | ... | | | integration | ... | ... | ... | | | **Overall** | ... | ... | ... | | ``` 3. List failure patterns and recommendations ### `prune` 1. Read `.claude/evals/pass-history.json` 2. Flag evals where `last_5` is all-pass (`saturated`) or all-fail (`broken`) 3. Flag evals with no runs in 30+ days (`stale`) 4. For saturated evals, suggest: retire or increase difficulty 5. For broken evals, suggest: fix criteria or retire 6. Present recommendations — do NOT auto-retire 7. On user confirmation: set `status: retired` in scenario YAML, update pass-history.json, log in .claude/harness/decision-log.md ### `mine` Analyze audit logs to propose new eval scenarios from observed failure patterns. 1. Read `.claude/state/change-log.jsonl` (last 100 entries) 2. Read `.claude/state/diamond-state-audit.jsonl` (all entries) 3. Group change-log entries by `session_id`, identify: a. **Correction clusters**: 3+ edits to same file in one session (agent struggled) b. **Skill friction**: edits to `.claude/skills/*/SKILL.md` during a session (instructions unclear) c. **Missing test coverage**: 5+ files changed with no test file edits 4. Count diamond bypass entries from audit log 5. Cross-reference with existing scenarios in pass-history.json to avoid duplicates 6. For each pattern, output a proposed eval scenario as YAML template 7. Tag proposals with `source: trace-mining` and originating `session_id` 8. Do NOT auto-create files — present for human review See `.claude/evals/schema.md` §Trace Mining Heuristics for pattern-to-eval mappings. ## Result Format See `.claude/evals/schema.md` for YAML scenario and JSON result formats. ## Pass History After writing each result JSON (step 8 of `run`), also update `.claude/evals/pass-history.json`: - Increment `runs` and `passes` (if passed) for the eval - Append `true`/`false` to `last_5` (trim to keep only last 5) - Update `last_run` timestamp ## Creating Scenarios Place YAML files in `.claude/evals/scenarios/<category>/`. Define task_prompt, success_criteria, and budget. Set `split`, `status`, and `source` fields per schema.
© haabe · MIT · haabe/mycelium