gaia-architecture-comparison — скилл для Claude Code: установка
Сравнивает тестовый стенд ruflo для бенчмарка GAIA с референсной реализацией HAL от Принстона. Помогает найти архитектурные пробелы и спланировать доработки для роста точности.
npx skills add ruvnet/ruflo --skill gaia-architecture-comparison -a claude-codeЧто делает gaia-architecture-comparison
Скилл сопоставляет тестовую обвязку ruflo для бенчмарка GAIA с референтной реализацией HAL от Принстонского университета. Он подробно разбирает структуру пайплайна: загрузчик gaia-loader.ts, агентный цикл gaia-agent.ts, инструменты из gaia-tools/, арбитр gaia-judge.ts и голосование большинства в gaia-voting.ts. Анализ помогает оценить разрыв в баллах и расставить приоритеты в дорожной карте.
Сравнение выделяет сильные стороны ruflo, такие как маршрутизация по сложности (Track Q) и векторная память AgentDB на базе HNSW. При этом заглушка вместо запуска реального кода в python_exec остаётся главным ограничением архитектуры, срезающим точность на уровнях L2 и L3. Без перехода на изолированную песочницу вроде E2B догнать результат HAL не получится.
Для работы скиллу нужны инструменты Bash, Read и память ruflo через MCP. Запуск можно сузить аргументом --focus с параметрами tools, routing, memory или cost. Историю прошлых тестов он извлекает из пространства имён gaia-patterns с помощью @claude-flow/cli.
Какие задачи решает
- Сравнить архитектуру тестового стенда ruflo с референсом HAL
- Выявить причины отставания по проценту прохождения задач GAIA
- Спланировать внедрение песочницы Python для решения задач L2 и L3
- Сфокусировать аудит бенчмарка на инструментах, памяти или стоимости
Примеры запросов агенту
- Сравни архитектуру стенда ruflo и HAL для бенчмарка GAIA с флагом
--focus=tools. - Покажи узкие места нашего агента в GAIA и оцени влияние заглушки
python_execна результаты. - Запусти анализ gaia-architecture-comparison с упором на память через
--focus=memory.
Как установить gaia-architecture-comparison
1Через Skills CLI (Vercel)
npx skills add ruvnet/ruflo --skill gaia-architecture-comparison -a claude-code2Вручную: положить файлы
~/.claude/skills/gaia-architecture-comparison/SKILL.mdПапка скилла целиком; для одного проекта — .claude/skills/gaia-architecture-comparison/
1Через Skills CLI (Vercel)
npx skills add ruvnet/ruflo --skill gaia-architecture-comparison -a codex2Вручную: положить файлы
.agents/skills/gaia-architecture-comparison/SKILL.mdДля всех проектов — ~/.agents/skills/
1Через Skills CLI (Vercel)
npx skills add ruvnet/ruflo --skill gaia-architecture-comparison -a cursor2Вручную: положить файлы
.cursor/skills/gaia-architecture-comparison/SKILL.mdCursor читает и .agents/skills/, и .claude/skills/
1GitHub CLI
gh skill install ruvnet/ruflo gaia-architecture-comparison2Вручную: положить файлы
.github/skills/gaia-architecture-comparison/SKILL.md1Через Skills CLI (Vercel)
npx skills add ruvnet/ruflo --skill gaia-architecture-comparison -a gemini-cli2Командой платформы
gemini skills install https://github.com/ruvnet/ruflo --path plugins/ruflo-workflows/skills/gaia-architecture-comparisonВручную: положить файлы
.devin/skills/gaia-architecture-comparison/SKILL.mdСтарый путь .windsurf/skills/ тоже читается
Через Skills CLI (Vercel)
npx skills add ruvnet/ruflo --skill gaia-architecture-comparison -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 gaia-architecture-comparison
Как установить gaia-architecture-comparison в Claude Code?
Выполните команду npx skills add ruvnet/ruflo --skill gaia-architecture-comparison -a claude-code в терминале. Файл скилла загрузится в каталог ~/.claude/skills/gaia-architecture-comparison/SKILL.md.
Что делает gaia-architecture-comparison?
Скилл проводит детальный сравнительный анализ обвязок ruflo и HAL на бенчмарке GAIA. Он выявляет технические пробелы в исполнении кода, веб-навигации и обработке файлов, а также формирует приоритетную дорожную карту доработок.
Какие преимущества есть у ruflo перед референсом HAL?
Ruflo использует голосование методом самосогласованности в Track A, маршрутизацию вопросов по сложности в Track Q для экономии токенов и векторную память AgentDB на базе HNSW. В референсной реализации HAL этих механизмов нет.
Исходный текст
SKILL.md · MIT
---
name: gaia-architecture-comparison
description: Side-by-side comparison of ruflo vs HAL vs other GAIA harnesses — capability gaps, design decisions, and improvement roadmap
argument-hint: "[--focus=tools|routing|memory|cost]"
allowed-tools: Bash Read mcp__plugin_ruflo-core_ruflo__memory_search mcp__plugin_ruflo-core_ruflo__memory_store
---
# GAIA Architecture Comparison Skill
Compare ruflo's GAIA benchmark harness against the Princeton HAL reference
implementation and other open-source harnesses to understand capability gaps
and prioritize improvements.
## When to use
- Planning the next iteration of GAIA work
- Evaluating which architectural change has the highest pass-rate ROI
- Onboarding a new contributor to the benchmark codebase
## Architecture overview
### ruflo harness (current)
```
gaia-bench run
└─ gaia-loader.ts — HF dataset download + cache
└─ gaia-agent.ts — multi-turn Anthropic Messages loop
└─ gaia-tools/ — web_search, file_read, web_browse,
image_describe, python_exec
└─ gaia-voting.ts — Track A self-consistency (N attempts → majority vote)
└─ gaia-hardness/ — Track Q difficulty predictor (ADR-136)
└─ gaia-judge.ts — two-stage LLM-as-judge scorer
```
### HAL reference (Princeton)
HAL uses a similar loop but with:
- OpenAI function calling as the tool interface
- BrowserBase / Playwright for real browser automation
- Code interpreter sandbox (Jupyter kernel)
- Larger token budget per turn (4096+)
- Full 300-question evaluation set
### Key differences
| Dimension | ruflo | HAL reference | Gap |
|-----------|-------|--------------|-----|
| Question count | 53 (partial L1) | 300 (full L1) | Use `--limit 165` for full L1 |
| Web search | DuckDuckGo / Google CSE | BrowserBase live | Add Playwright or Browserless |
| Code execution | python_exec stub | Real Jupyter kernel | Implement real sandbox |
| Image OCR | image_describe (Gemini) | GPT-4V / Gemini | Functionally equivalent |
| File handling | file_read | Full PDF/XLSX/ZIP parser | Expand file_read |
| Self-consistency | voting.ts (Track A) | Not in reference | ruflo advantage |
| Hardness routing | predictor.ts (Track Q) | Not in reference | ruflo advantage |
| Memory | AgentDB HNSW | None | ruflo advantage |
| Pass-rate L1 | ~20.8% (iter 23) | 74.6% (HAL Sonnet 4.5) | ~54 pp gap |
## Gap analysis
### Primary gaps (high impact)
1. **Real code execution** — many L2/L3 questions require running Python to
compute a numerical answer. The current `python_exec` tool is a stub.
Implementing a real sandbox (E2B, Pyodide, or subprocess) is the single
highest-ROI change.
2. **Full question set** — running 53/300 L1 questions underestimates true
pass-rate because the first 53 skew easier. Run `--limit 165` (full L1)
for a comparable HAL score.
3. **Real browser** — `web_browse` currently fetches raw HTML. Replacing it
with Playwright/Browserless for JavaScript-rendered pages would unlock
many web navigation questions.
### Secondary gaps (medium impact)
4. **Structured file parsing** — PDF, XLSX, and ZIP attachments require
dedicated parsers. `file_read` currently handles plain text and images only.
5. **Turn budget** — 12 turns may be insufficient for complex multi-step
questions. HAL uses up to 20 turns for L3.
6. **System prompt tuning** — HAL's system prompt is more elaborate and
explicitly instructs the model to use tools before answering.
### ruflo advantages
7. **Self-consistency voting** (Track A) — running N attempts per question and
taking the majority answer reduces variance on borderline questions.
HAL does not implement this.
8. **Hardness routing** (Track Q) — routing each question to an appropriate
model and turn budget based on predicted difficulty. This reduces cost on
easy questions while providing more resources for hard ones.
9. **AgentDB memory** — storing patterns across runs enables the agent to
recall successful strategies for similar question types.
## Improvement roadmap
| Priority | Change | Expected Lift | Effort |
|----------|--------|--------------|--------|
| P0 | Real python_exec sandbox (E2B) | +15-25 pp | High |
| P0 | Full 165-Q L1 evaluation | Accurate baseline | Low |
| P1 | Playwright-based web_browse | +5-10 pp | Medium |
| P1 | PDF/XLSX file parser | +3-8 pp | Medium |
| P2 | Increase max-turns to 20 for L2/L3 | +2-5 pp | Low |
| P2 | System prompt tuning (iter 30 research) | +2-5 pp | Low |
| P3 | Google Grounding via Gemini (iter 32) | +3-7 pp | Medium |
| P3 | Multi-provider routing (Gemini Flash for cheap Q's) | Cost reduction | Medium |
## Loading context from past research
```bash
npx @claude-flow/cli@latest memory search \
--namespace gaia-patterns \
--query "architecture comparison HAL benchmark"
```
## Storing comparison findings
```bash
npx @claude-flow/cli@latest memory store \
--namespace gaia-patterns \
--key "architecture-comparison-$(date +%Y%m%d)" \
--value "HAL gap: 54pp. Primary: python_exec stub. Secondary: browser, file parsing."
```
© ruvnet · MIT · ruvnet/ruflo