К основному содержанию
скилл CX Codex

harness:certify — скилл для Claude Code: проверка стабильности оценки агента

Прогоняет оценку эволюционировавшего агента три раза и считает среднее со стандартным отклонением. Нужен, когда непонятно, держится ли результат от запуска к запуску.

Установить в Claude Code · Через Skills CLI (Vercel) Все способы и платформы ↓
npx skills add raphaelchristi/harness-evolver --skill certify -a claude-code
Открыть на GitHub

Что делает harness:certify

Скилл читает .evolver.json, берёт лучший эксперимент и датасет и запускает оценку три раза на текущем коде. Работа идёт в корне проекта, а не в отдельном worktree: лучший код уже слит. Каждый прогон помечается префиксом certify-run-$i, потом read_results.py собирает три combined_scores в сводку, из которой считаются среднее и стандартное отклонение.

На выходе — отчёт с числом прогонов, средним, отклонением и диапазоном. Вердикт зависит от отклонения: ниже 0.05 — оценка надёжна, от 0.05 до 0.10 — разброс умеренный, от 0.10 и выше — балл ничего не значит, потому что LLM-судья трактует критерии по-разному от запуска к запуску.

Для работы нужен Python: скрипты лежат в .evolver/tools или $HOME/.evolver/tools, интерпретатор берётся из $HOME/.evolver/venv/bin/python, иначе python3. Пути задаются переменными EVOLVER_TOOLS и EVOLVER_PY. Если окружение не настроено, скрипты просто не найдутся.

При умеренном разбросе скилл советует добавить рубрики в примеры датасета, при высоком — ещё и прогнать /harness:evolve в режиме heavy. При стабильном балле следующий шаг — /harness:deploy.

Какие задачи решает

  • убедиться, что балл агента не скачет от запуска к запуску
  • посчитать среднее и стандартное отклонение по трём прогонам оценки
  • понять, виноват ли LLM-судья в разбросе результатов
  • решить, можно ли деплоить текущую версию агента
  • собрать сводку по нескольким экспериментам оценки в одном отчёте

Примеры запросов агенту

  • Проверь, стабильна ли оценка текущего агента, через /harness:certify
  • Прогони сертификацию и скажи, какой вердикт — STABLE или UNSTABLE
  • Средний балл прыгает между запусками, посчитай отклонение по трём прогонам

Как установить harness:certify

1Через Skills CLI (Vercel)

npx skills add raphaelchristi/harness-evolver --skill certify -a claude-code

2Вручную: положить файлы

~/.claude/skills/certify/SKILL.md

Папка скилла целиком; для одного проекта — .claude/skills/certify/

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

Вопросы о harness:certify

Как установить harness:certify в Claude Code?

Выполните npx skills add raphaelchristi/harness-evolver --skill certify -a claude-code. Скилл встанет в ~/.claude/skills/certify/SKILL.md.

Что делает harness:certify?

Трижды запускает оценку агента на текущем коде и считает среднее со стандартным отклонением. По отклонению выносит вердикт о надёжности балла.

Что нужно, чтобы скилл заработал?

Python и скрипты эволюционного пайплайна: run_eval.py и read_results.py в .evolver/tools или $HOME/.evolver/tools. Интерпретатор берётся из $HOME/.evolver/venv/bin/python, иначе используется python3.

Исходный текст

SKILL.md · MIT
---
name: harness:certify
description: "Use when the user wants to verify that the evolved agent's score is stable and reliable. Runs evaluation multiple times and reports mean ± std."
allowed-tools: [Read, Bash, Glob]
---

# /harness:certify

Verify score stability by running evaluation multiple times and reporting statistical confidence.

## Resolve Tool Path

```bash
TOOLS="${EVOLVER_TOOLS:-$([ -d ".evolver/tools" ] && echo ".evolver/tools" || echo "$HOME/.evolver/tools")}"
EVOLVER_PY="${EVOLVER_PY:-$([ -f "$HOME/.evolver/venv/bin/python" ] && echo "$HOME/.evolver/venv/bin/python" || echo "python3")}"
```

## What To Do

Read `.evolver.json` to get the best experiment and dataset.

Run evaluation 3 times on the current code (not a worktree — the best code is already merged):

```bash
for i in 1 2 3; do
    $EVOLVER_PY $TOOLS/run_eval.py \
        --config .evolver.json \
        --worktree-path "." \
        --experiment-prefix "certify-run-$i"
done
```

After all 3 runs complete, read results and compute statistics:

```bash
$EVOLVER_PY $TOOLS/read_results.py --experiments "certify-run-1-{suffix},certify-run-2-{suffix},certify-run-3-{suffix}" --config .evolver.json --format summary
```

Calculate mean and standard deviation from the 3 combined_scores.

## Report

```
CERTIFICATION REPORT
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
Runs:  3
Mean:  {mean:.3f}
Std:   {std:.3f}
Range: {min:.3f} — {max:.3f}

Verdict: {STABLE|UNSTABLE}
```

**STABLE** (std < 0.05): Score is reliable. The agent performs consistently.

**MARGINAL** (0.05 <= std < 0.10): Score varies moderately. Consider adding rubrics to reduce judge variance.

**UNSTABLE** (std >= 0.10): Score is unreliable. The LLM judge interprets criteria differently across runs. Add few-shot examples or tighter rubrics.

## After Certification

If STABLE: suggest `/harness:deploy` to finalize.
If UNSTABLE: suggest adding rubrics to dataset examples, or running `/harness:evolve` with `heavy` mode for more thorough evaluation.

© raphaelchristi · MIT · raphaelchristi/harness-evolver

Похожие скиллы

Все скиллы по теме «Настройка агента: память, контекст, субагенты» →
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 451звёзд репо 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 agent-evaluation mlflow Скилл для системной оценки LLM-агентов через MLflow: датасеты, скореры, трейсинг. Пригодится, когда агент ошибается с выбором инструментов или даёт неполные ответы. CX Codex +1 1 100установок llm-evaluation Seth Hobson Скилл для оценки качества LLM-приложений: автоматические метрики, человеческая разметка, LLM-as-judge и бенчмарки. Пригодится, когда нужно сравнить модели или поймать регрессию до деплоя. CX Codex 12 755установок eval-driven-dev официальный github Настраивает сквозную оценку Python-приложений с LLM: критерии, тестовые данные и проверку результатов. Нужен при QA, бенчмарках и поиске неверных ответов. 3 900установок certify Seth Hobson Запускает PluginEval на глубоком уровне и присваивает бейдж качества скиллу или плагину. CX Codex ★ 41 823звёзд репо

Из того же набора3

Спонсоры проекта

Компании, которые помогают держать аналитику открытой