К основному содержанию
скилл CX Codex

evidence-first-review — скилл для Claude Code: проверка работы

Скилл evidence-first-review для Claude Code проверяет завершённую работу агента по журналу команд и результатам. Подключается перед слиянием PR или принятием анализа.

MIT ★ 741 обновлён 2026-11-11

Установить в Claude Code · Через маркетплейс плагинов Все способы и платформы ↓
/plugin marketplace add MiniMax-AI/mcode-stack
/plugin install ronny@mcode-stack
Открыть на GitHub

Что делает evidence-first-review

Скилл evidence-first-review разбирает работу агента по фактическим проверкам, а не по финальному отчёту. Он сверяет, запускались ли команды на последней версии кода, что именно доказывает каждая успешная проверка и какие вопросы она оставляет открытыми.

Дальше скилл вытаскивает неявные решения, просит назвать исключённое из объёма и пытается опровергнуть результат. Для анализа и документации он предлагает открыть два источника и пересчитать число, на котором держится вывод. Для проверки нужен transcript или tool log с командами агента; скилл также советует отделять такой разбор от независимого review самого diff.

Какие задачи решает

  • проверить, запускались ли тесты после последнего изменения
  • сопоставить успешную проверку с тем, что она действительно доказывает
  • вытащить решения, которые агент принял молча
  • найти пропущенные сценарии перед слиянием PR
  • пересчитать число, на котором держится вывод анализа

Примеры запросов агенту

  • Проверь завершённую работу агента по transcript и назови, что доказывает каждая команда.
  • Разбери tool log перед слиянием PR и найди проверку, которая могла пропустить важную ошибку.
  • Составь список неявных решений и попробуй опровергнуть результат перед принятием отчёта.

Как установить evidence-first-review

1Через маркетплейс плагинов

/plugin marketplace add MiniMax-AI/mcode-stack
/plugin install ronny@mcode-stack

Команда ставит плагин ronny целиком, со всеми его скиллами

2Через Skills CLI (Vercel)

npx skills add MiniMax-AI/mcode-stack --skill evidence-first-review -a claude-code

3Вручную: положить файлы

~/.claude/skills/evidence-first-review/SKILL.md

Папка скилла целиком; для одного проекта — .claude/skills/evidence-first-review/

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

Вопросы об evidence-first-review

Как установить evidence-first-review в Claude Code?

Добавьте маркетплейс командой /plugin marketplace add MiniMax-AI/mcode-stack, затем установите скилл командой /plugin install ronny@mcode-stack.

Что делает evidence-first-review?

Скилл читает transcript или tool log до итогового сообщения агента, связывает проверки с тем, что они доказывают, и ищет пропуски. Он также разбирает неявные решения и пытается опровергнуть результат.

Чем evidence-first-review отличается от independent-review?

evidence-first-review проверяет доказательства завершённой работы агента и его итоговый отчёт. Для review самого diff в чистом контексте скилл предлагает использовать independent-review вместе с ним.

Исходный текст

SKILL.md · MIT
---
name: evidence-first-review
description: Review an agent's finished work by reading the evidence before its summary, naming what each check proves and what it misses, pulling out the decisions it made silently, and trying to falsify the result before accepting it. Use when a MiniMax Code session, subagent or cloud agent reports a task done, before merging its PR or acting on its analysis.
---

# Evidence-First Review

"All tests pass, ready to merge" is a claim, not evidence. We read what the
agent actually ran before we read what it says about it. The bar for accepting
the work: we could defend it to the person who will maintain it, and we can
say what our checks would miss.

This skill is about owning the result. For a clean-context code review of the
diff itself, pair it with `independent-review`.

## 1. Evidence before summary

Open the transcript or tool log, not the final message. For each command that
supports "done": did it run on the final code, did it exit 0, does the output
say what the summary says? Typical gaps we find:

- tests run before the last edit;
- a filter like `-t compaction` that skipped the suite that matters;
- "fixed" with no reproduction before the fix;
- a build that passed only because a step was skipped.

## 2. For each green check, one property it proves and one it does not

| Check | Proves | Does not prove |
| --- | --- | --- |
| New unit test passes | the function returns X for this input | the caller passes that input; the test was written with the same wrong assumption |
| `pnpm typecheck` | types line up | runtime behaviour |
| E2E with a mock model | the loop wires up | anything about real model output |

If we cannot fill the right column, we do not understand the check yet.

## 3. Ask for the decisions list

Ask the agent: which defaults did you pick, what did you leave out of scope,
and where did you reinterpret the requirement because two parts clashed? These
are the choices that end up in production without anyone deciding them. Each one
is accepted, changed or sent back.

## 4. Try to break it

Ask: what would have to be true for this to be wrong? Then check that one thing
ourselves. For analysis and docs, open two of the cited sources and recompute
one number the conclusion depends on.

## 5. Make sure we understand it

- Pick a few lines of the diff at random and explain them without help.
- For a large change, ask the agent for a short report that ends in three
  questions about the change; we answer them before merging.
- For a contested call, have a fresh subagent argue the other side, then
  decide ourselves.
- Last question to a fresh context: "What did I miss?"

## 6. Decide

- **Accept**: the evidence matches, decisions are reviewed, we can name the gap.
- **Ask for more**: missing evidence or an unexplained decision.
- **Get a human review**: high stakes and we cannot say what the checks miss.

## Output

When we report the work to others, we lead with the evidence (commands and
results), then: what was checked, one thing that was not, and the key
decisions.

## References

- Addy Osmani, ["Critical thinking when agents do the work"](https://x.com/addyosmani/status/2117512471930167377)

© Ronny (MiniMax Code team) · MIT · MiniMax-AI/mcode-stack

Похожие скиллы

Все скиллы по теме «Настройка агента: память, контекст, субагенты» →
test-evidence-review Donchitos Скилл test-evidence-review для Claude Code, Codex, Cursor и других платформ проверяет не факт существования тестов, а их содержательное покрытие. Для каждой истории выносит вердикт: ADEQUATE, INCOMPLETE, MISSING или NOT ASSESSED. CX Codex +1 632установок test-value-evidence dotnet Скилл test-value-evidence проверяет тесты на конкретное изменение: PR, коммит или новую фичу. Показывает, что тест действительно ловит дефект до фикса. CX Codex +1 1 600установок ai-first-engineering affaan-m Скилл ai-first-engineering задаёт правила работы команды, где большую часть кода пишут ИИ-агенты: что проверять на ревью, какие тесты требовать, как строить архитектуру. CX Codex +1 6 300установок first-principles-review GanyuanRan Скилл first-principles-review для Claude Code проверяет решение по первому принципу и бритве Оккама до фиксации направления. Обычные багфиксы пропускает. CX Codex +1 ★ 1 450звёзд репо supabase-evidence yoanbernabeu Скилл supabase-evidence организует систему сбора доказательств для профессиональных тестов безопасности Supabase. CX Codex +1 299установок build-evidence-map официальный github Скилл build-evidence-map для GitHub Copilot строит проверяемую карту доказательств для спорного технического решения. Он сохраняет аргументы за и против, оговорки и неизвестные факты. CX Codex +1 70установок

Из того же набора27

Весь набор →
trajectory-review Скилл trajectory-review для Claude Code разбирает путь агента от запроса до результата. Срабатывает после сбоя, завершённой задачи или смены результата eval. CX Codex +1 ★ 741звёзд репо harness-experiment Скилл harness-experiment для Claude Code организует управляемые эксперименты с изменениями в агенте. Запускается при настройке промптов, инструментов или структуры субагентов для оценки влияния изменений. CX Codex +1 ★ 741звёзд репо independent-review Скилл independent-review для Claude Code проверяет изменения из чистого контекста перед слиянием. Он сравнивает diff с требованием и результатами тестов. CX Codex +1 ★ 741звёзд репо agent-brief Скилл agent-brief для Claude Code стандартизирует передачу задач агентам через структурированные брифы. Помогает чётко описать цели, гипотезы и критерии проверки до старта работы над задачей. CX Codex +1 ★ 741звёзд репо pr-description Скилл pr-description для Claude Code составляет и проверяет описания pull request по фиксированной структуре для GitHub и GitLab. Запускается при открытии PR или по замечаниям MCode Review. CX Codex +1 ★ 741звёзд репо subagent-split-check Скилл subagent-split-check для Claude Code решает, выносить ли задачу в субагент или оставить её в основном цикле. Проверяет границы контекста перед разделением. CX Codex +1 ★ 741звёзд репо context-tax-audit Скилл context-tax-audit для Claude Code проводит аудит данных, которые агент добавляет в каждый запрос, для сокращения затрат на токены. Он выявляет лишние блоки в системном промпте и настройки, мешающие кэшированию запросов. CX Codex +1 ★ 741звёзд репо long-session-check Скилл long-session-check для Claude Code проверяет работу длинных сессий и сохранение важных данных. Запускается, когда агент забывает ограничения или после нескольких сжатий контекста. CX Codex +1 ★ 741звёзд репо

Спонсоры проекта

Компании, которые помогают держать аналитику открытой