К основному содержанию
скилл CX Codex

gaia-submission — скилл для Claude Code: что делает и как установить

Скилл ведёт запуск бенчмарка GAIA от проверки ключей до сборки пакета для лидерборда HAL. Пригодится при замере качества агента и подготовке результатов к отправке.

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

Что делает gaia-submission

Скилл автоматизирует полный цикл тестирования на бенчмарке GAIA: проверяет окружение, рассчитывает ожидаемые расходы на запуск моделей, выполняет тесты и собирает архив с результатами. Процесс разбит на фазы: валидация, оценка стоимости, выполнение задач с отчётом каждые 5 вопросов, упаковка и запись выводов в память CLI.

Внутри сборки пакета действует обязательный аудит целостности (ADR-167). Инструмент сканирует исходники на утечку ответов и динамический eval, отказываясь подписывать манифест Ed25519 при критических ошибках, если не передан флаг --allow-dirty. Это исключает поддельные прогоны без решения задач.

Для работы требуются Node.js версии 20 или выше, переменные окружения ANTHROPIC_API_KEY и HF_TOKEN, а также собранный интерфейс @claude-flow/cli.

Какие задачи решает

  • проверить переменные окружения и готовность CLI перед прогоном GAIA
  • оценить стоимость запросов к модели до запуска бенчмарка
  • собрать подписанный архив результатов формата HAL для лидерборда
  • проверить трейсы агента на утечки ответов через аудит безопасности

Примеры запросов агенту

  • Проверь окружение и оцени стоимость запуска GAIA уровня 1 для 53 вопросов
  • Запусти бенчмарк GAIA для claude-sonnet-4-6 с тремя голосами согласованности
  • Упакуй результаты последнего прогона GAIA для отправки на лидерборд

Как установить gaia-submission

1Через Skills CLI (Vercel)

npx skills add ruvnet/ruflo --skill gaia-submission -a claude-code

2Вручную: положить файлы

~/.claude/skills/gaia-submission/SKILL.md

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

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

Из того же набора132

witness Подписывает манифест исправлений с Ed25519 и следит за регрессиями через текстовые маркеры в коде. Помогает вовремя заметить, если баг вернулся после случайного отката. CX Codex +1 655установок 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 gaia-debugging Скилл разбирает сбой задания GAIA: читает трассировку, определяет тип ошибки и предлагает точечное исправление перед повторным запуском. CX Codex +1 435установок gaia-architecture-comparison Сравнивает тестовый стенд ruflo для бенчмарка GAIA с референсной реализацией HAL от Принстона. Помогает найти архитектурные пробелы и спланировать доработки для роста точности. CX Codex +1 432установок 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

Похожие

eval-engineering langchain-ai Скилл ведёт вас через проектирование агентских evals: разбирает репозиторий, пишет Task Spec, собирает и проверяет задачи в Harbor. CX Codex +1 5 300установок llm-eval-harness daymade Скилл гоняет чужой LLM-эндпоинт по шести измерениям: доступность, доходимость запроса, скорость, конкурентность, протокол и регрессия качества. CX Codex +1 372установок deepeval Confident AI Скилл настраивает тестирование AI-агентов и RAG через DeepEval. Помогает собирать тестовые наборы и запускать проверки через pytest. CX Codex +1 2 800установок online-evals launchdarkly Подключает судей к вариантам конфига, чтобы ответы модели автоматически получали оценку от 0.0 до 1.0. Пригодится, когда нужно следить за качеством промптов в проде. CX Codex +1 1 800установок evals-start ai-evals-course Направляет запрос по оценке ИИ-системы в нужный специализированный скилл. Нужен, когда неясно, с чего начать или какой сценарий выбрать. CX Codex +1 776установок agent-observability-eval-pipeline datadog-labs Ведёт инструментированное ml_app по шести фазам: классификация трейсов, разбор сбоев, бутстрап эвалуаторов, датасет, эксперимент и анализ. CX Codex +1 540установок

Рядом в теме «ИИ и ML»

Всё по теме «ИИ и ML» →

Вопросы о gaia-submission

Как установить gaia-submission в Claude Code?

Выполните команду npx skills add ruvnet/ruflo --skill gaia-submission -a claude-code. Файл навыка сохранится по пути ~/.claude/skills/gaia-submission/SKILL.md.

Зачем нужен встроенный аудит перед подписью пакета?

Команда /gaia submit проверяет код и трейсы на утечку ответов и модификацию оценщика. При критических сбоях архив не сформируется, пока вы не устраните проблему или не укажете флаг --allow-dirty.

Какие требования нужны для запуска бенчмарка?

Понадобятся Node.js версии 20 или новее, установленный CLI @claude-flow/cli, а также заданные переменные окружения ANTHROPIC_API_KEY и HF_TOKEN.

Исходный текст

SKILL.md · MIT
---
name: gaia-submission
description: Walk through a complete GAIA benchmark→submit flow — from key resolution through HAL-compatible package generation
argument-hint: "[level] [limit] [models]"
allowed-tools: Bash mcp__plugin_ruflo-core_ruflo__memory_store mcp__plugin_ruflo-core_ruflo__memory_search mcp__plugin_ruflo-core_ruflo__memory_list mcp__plugin_ruflo-core_ruflo__hooks_post-task mcp__plugin_ruflo-core_ruflo__hooks_pre-task
---

# GAIA Submission Skill

Walk Claude Code through every step needed to go from a clean environment to a
signed, HAL-compatible submission package ready to upload to the Princeton
GAIA leaderboard.

## When to use

When the user wants to:
- Run a benchmark and submit results to the HAL leaderboard
- Package an existing results file into a submission archive
- Confirm their environment is ready for a benchmark run

## Prerequisites

Before starting, confirm these are available:

| Requirement | Check |
|-------------|-------|
| `ANTHROPIC_API_KEY` | `echo ${ANTHROPIC_API_KEY:0:8}…` (should show `sk-ant-…`) |
| `HF_TOKEN` | `echo ${HF_TOKEN:0:5}…` (should show `hf_…`) |
| Node.js 20+ | `node --version` |
| CLI built | `node v3/@claude-flow/cli/bin/cli.js --version` |

## Phase 1 — Validate environment

```bash
# Run all pre-flight checks
/gaia validate
```

If any check fails, resolve it before continuing.

## Phase 2 — Estimate cost and confirm

Ask the user for their configuration:
- Level (default: 1)
- Question limit (default: 53 for a quick run, 165 for the full L1 set)
- Models (default: `claude-sonnet-4-6`)
- Self-consistency voting (default: 1; use 3 for L2/L3)

```bash
/gaia cost --level=$LEVEL --limit=$LIMIT --models=$MODELS --voting=$VOTING
```

If projected cost > $5, show the estimate and ask: "This run will cost
approximately $X. Proceed? (y/N)"

## Phase 3 — Run the benchmark

```bash
/gaia run --level=$LEVEL --limit=$LIMIT --models=$MODELS --voting=$VOTING
```

While running, progress is reported every 5 questions:
```
[12/53] 22.7% (5 passed of 22 scored) — est. remaining: $0.18
```

Store the run summary in memory for history tracking:
```bash
npx @claude-flow/cli@latest memory store \
  --namespace gaia-runs \
  --key "run-$(date +%Y%m%d-%H%M)" \
  --value '{"level":$LEVEL,"model":"$MODEL","total":$TOTAL,"passed":$PASSED,"pass_rate":$RATE,"est_cost_usd":$COST}'
```

## Phase 4 — Package for submission

```bash
/gaia submit --results=~/.cache/ruflo/gaia/results-latest.json
```

This produces:
```
submission-<date>-<sha>/
├── results.jsonl        ← HAL-compatible, one JSON per line
├── trajectories.jsonl   ← full agent traces
├── metadata.json        ← harness info, model, tool catalogue
├── audit-report.json    ← ADR-167 pre-submission exploit-audit report
├── manifest.md.json     ← Ed25519-signed witness (signs audit-report.json's hash)
└── README.md            ← human summary + leaderboard comparison
```

### Integrity gate — the audit runs before signing (ADR-167)

Post-RDI (UC Berkeley broke 8 agent benchmarks — GAIA to ~98% — without solving
a task), a signature alone is not enough: **it proves the bytes are untampered,
not that the score was earned.** `/gaia submit` therefore runs a deterministic,
$0 exploit audit before signing and **refuses to build the leaderboard package
on a CRITICAL failure** unless `--allow-dirty` is passed. The audit report is
signed *into* the witness manifest as an ADR-103 fix marker, so a ruflo GAIA
submission attests both transport-integrity *and* earning-integrity.

If the gate blocks, treat it as a real finding — inspect `audit-report.json`
(answer-leakage, no-work pass, oracle leakage, grader monkey-patching, an
answer-key read outside the dataset dir, or dynamic eval/exec of task content in
the runner) rather than reaching for `--allow-dirty`. The static source-scan
family (answer-key-reads, dynamic-eval, judge-injection) enforces today with no
trajectory instrumentation; the trajectory-fed checks the current schema cannot
feed are reported as `harness_gap`s (ADR-167 §7), not passes.

## Phase 5 — Compare and report

```bash
/gaia leaderboard --level=$LEVEL
/gaia history
```

Interpret the gap between ruflo's score and the leaderboard top-10.
Identify the primary failure mode (tool gap, reasoning miss, extraction bug)
using the `/gaia-debugging` skill if needed.

## Phase 6 — Persist learnings

```bash
npx @claude-flow/cli@latest hooks post-task \
  --task-id "gaia-submission-$(date +%Y%m%d)" \
  --success true \
  --train-neural true
```

Store any discovered patterns:
```bash
npx @claude-flow/cli@latest memory store \
  --namespace gaia-patterns \
  --key "submission-notes-$(date +%Y%m%d)" \
  --value "Level $LEVEL, $MODEL: $NOTES"
```

## Extensibility note

This skill is intentionally structured to be benchmark-agnostic. The phase
headers (validate → estimate → run → package → compare → learn) apply to
SWE-bench, WebArena, and HumanEval with only phase 3-4 details changing.

© ruvnet · MIT · ruvnet/ruflo

Смотрите также

Спонсоры проекта

Компании, которые помогают держать аналитику открытой