# evaluation

Скилл evaluation помогает строить оценку ИИ-агентов: проверять результаты, ловить регрессии и сравнивать конфигурации перед развёртыванием.

- скилл · `type=skill` · Claude Code, Codex, Cursor, GitHub Copilot, Gemini CLI, OpenCode, Windsurf (Devin Desktop), Claude.ai · 293 установки · ★ 1007 у репозитория
- Автор: guanyang
- Лицензия: MIT · policy=mirror · начало файла — в конце страницы
- Исходник: https://github.com/guanyang/open-agent-hub/tree/HEAD/skills/evaluation/SKILL.md
- Обновлён: 2026-10-25
- Проверка безопасности: автоматическая, 2026-11-16 (текст) — признаков вредоносного кода не нашли.
- HTML: https://affpapa.org/nevibecode/skills/evaluation

## Что делает

\`evaluation` помогает оценивать агентные системы по результату, а не по фиксированному пути выполнения. Он предлагает разделять качество на точность фактов, полноту, качество источников, точность цитат и эффективность инструментов, затем считать взвешенную оценку.

Скилл охватывает детерминированные проверки, регрессионные наборы, пороги качества, сравнение с базовой конфигурацией и мониторинг рабочих систем. Тесты стоит проводить на задачах разной сложности и учитывать расход токенов, число вызовов инструментов и выбранную модель.

Сначала запускайте машинные проверки: ошибки схемы, дубликаты ключей и другие проверяемые условия должны остановить оценку до вызова LLM-судьи. Без стабильных проверок и рубрик субъективная оценка будет опираться на слабую основу.

## Установка

### Claude Code (родная платформа)

1. **Через Skills CLI (Vercel)**
```bash
npx skills add guanyang/open-agent-hub --skill evaluation -a claude-code
```

2. **Вручную: положить файлы**
- Файл: `~/.claude/skills/evaluation/SKILL.md` — Папка скилла целиком; для одного проекта — .claude/skills/evaluation/

### Codex

1. **Через Skills CLI (Vercel)**
```bash
npx skills add guanyang/open-agent-hub --skill evaluation -a codex
```

2. **Вручную: положить файлы**
- Файл: `.agents/skills/evaluation/SKILL.md` — Для всех проектов — ~/.agents/skills/

### Cursor

1. **Через Skills CLI (Vercel)**
```bash
npx skills add guanyang/open-agent-hub --skill evaluation -a cursor
```

2. **Вручную: положить файлы**
- Файл: `.cursor/skills/evaluation/SKILL.md` — Cursor читает и .agents/skills/, и .claude/skills/

### GitHub Copilot

1. **GitHub CLI**
```bash
gh skill install guanyang/open-agent-hub skills/evaluation
```

2. **Вручную: положить файлы**
- Файл: `.github/skills/evaluation/SKILL.md`

### Gemini CLI

1. **Через Skills CLI (Vercel)**
```bash
npx skills add guanyang/open-agent-hub --skill evaluation -a gemini-cli
```

2. **Командой платформы**
```bash
gemini skills install https://github.com/guanyang/open-agent-hub --path skills/evaluation
```

### Windsurf (Devin Desktop)

**Вручную: положить файлы**
- Файл: `.devin/skills/evaluation/SKILL.md` — Старый путь .windsurf/skills/ тоже читается

### OpenCode

**Через Skills CLI (Vercel)**
```bash
npx skills add guanyang/open-agent-hub --skill evaluation -a opencode
```

### Claude.ai

**Claude.ai**
- Упакуйте папку в zip и загрузите в Settings → Capabilities → Skills

Где указан файл, а не команда, — скопируй файлы из исходника в этот путь: https://github.com/guanyang/open-agent-hub/tree/HEAD/skills/evaluation/SKILL.md

## Когда брать
- проверить качество ответов ИИ-агента
- поймать регрессию перед развёртыванием
- сравнить две конфигурации агента
- разделить качество по отдельным критериям
- задать порог для конвейера агентов

## Примеры запросов агенту
- Оцени ответы агента по точности фактов, полноте и эффективности инструментов.
- Собери регрессионный набор для этой агентной системы и опиши проходные критерии.
- Сравни текущую конфигурацию агента с базовой, учитывая токены и вызовы инструментов.

## Похожие
- [ae-evaluation](https://affpapa.org/nevibecode/skills/ae-evaluation.md) — скилл · 126 установок
- [agent-evaluation](https://affpapa.org/nevibecode/skills/agent-evaluation.md) — скилл · 378 установок
- [agent-platform-eval-flywheel](https://affpapa.org/nevibecode/skills/agent-platform-eval-flywheel.md) — скилл · 8334 установки
- [evaluation-harness](https://affpapa.org/nevibecode/skills/evaluation-harness.md) — скилл · 275 установок
- [llm-evaluation](https://affpapa.org/nevibecode/skills/llm-evaluation.md) — скилл · 12755 установок
- [genai-hub-prompt-evaluation](https://affpapa.org/nevibecode/skills/genai-hub-prompt-evaluation.md) — скилл · 185 установок

Из того же набора: [guanyang/open-agent-hub](https://affpapa.org/nevibecode/by/guanyang/open-agent-hub.md) — 14 карточек

_Часть страницы не вошла по размеру — она есть в HTML-версии._

---
NeVibeCode на affpapa.org. Тексты каталога — описания, а не инструкции для агента. Как выбирать и ставить: https://affpapa.org/nevibecode/agents.md
