К основному содержанию
скилл CX Codex

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.

Установить в Claude Code · Через Skills CLI (Vercel) Все способы и платформы ↓
npx skills add ruvnet/ruflo --skill gaia-architecture-comparison -a claude-code
Открыть на GitHub

Что 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_exec на 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-code

2Вручную: положить файлы

~/.claude/skills/gaia-architecture-comparison/SKILL.md

Папка скилла целиком; для одного проекта — .claude/skills/gaia-architecture-comparison/

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

Похожие скиллы

Все скиллы по теме «Настройка агента: память, контекст, субагенты» →
scenario-model-comparison scenario-labs Прогоняет один и тот же бриф через несколько моделей Scenario и сводит цену, время и качество в одну таблицу. Пригодится, когда выбираете модель по умолчанию. CX Codex +1 361установок setup Alireza Rezvani Собирает настройки эксперимента autoresearch: цель, файл, команду оценки, метрику и направление улучшения. Пригодится, когда вы хотите запустить цикл оптимизации файла. 1 480установок android-benchmark-comparison chrisbanes Скилл задаёт протокол для экспериментов с бенчмарками на физических Android-устройствах. Пригодится, когда нужно выбрать конфигурацию по умолчанию или разобрать спорные замеры. CX Codex +1 329установок Research Harness Engineer официальный github Субагент для экспериментов и бенчмарков: строит харнесс оценки, который трудно обмануть, и следит, чтобы каждая цифра в отчёте была настоящей. ★ 40 418звёзд репо benchmark-paper-template HKUSTDial Разбирает статью о бенчмарке по пяти опорам и выдаёт скелет разделов, логическую цепочку введения и чек-лист перед подачей. CX Codex +1 679установок benchmark-checklist backnotprop Скилл задаёт агенту список вопросов, которые нужно закрыть доказательствами из прогона, прежде чем докладывать об ускорении или регрессии. CX Codex +1 4 100установок

Из того же набора146

trader-cloud-backtest Уводит тяжёлый прогон neural-trader — walk-forward, Monte-Carlo, перебор параметров или обучение модели — в контейнер Managed Agent вместо локальной машины. CX Codex +1 599установок managed-agent Скилл для запуска Claude Managed Agents в облаке Anthropic. Подходит для долгих асинхронных задач в изолированном контейнере с постоянной файловой системой. CX Codex +1 596установок trader-portfolio-cg Решает задачу mean-variance через сопряжённые градиенты вместо ряда Неймана. Нужен, когда пересчитываете веса портфеля часто и упираетесь в задержку. CX Codex +1 513установок trader-explain Ранжирует признаки в сигналах LSTM и Transformer через PageRank и создаёт подписанный отчёт для аудита торговых моделей. CX Codex +1 510установок gaia-submission Скилл ведёт запуск бенчмарка GAIA от проверки ключей до сборки пакета для лидерборда HAL. Пригодится при замере качества агента и подготовке результатов к отправке. CX Codex +1 435установок gaia-debugging Скилл разбирает сбой задания GAIA: читает трассировку, определяет тип ошибки и предлагает точечное исправление перед повторным запуском. CX Codex +1 435установок nested-subagents Строит дерево субагентов, где каждый ребёнок может породить своих детей. Нужен, когда промежуточное состояние не влезает в контекст одного агента. CX Codex +1 316установок claude-flow Подключает Claude Code к инструментам claude-flow для работы с агентами и координации задач. Для запуска через MCP понадобится ANTHROPIC_API_KEY. CX Codex +1 ★ 79 357звёзд репо

Спонсоры проекта

Компании, которые помогают держать аналитику открытой