К основному содержанию
скилл CX Codex

benchmark: скилл для сравнения сессии с нормой · hoangsonww

Скилл benchmark берёт одну сессию или несколько последних и сравнивает их с накопленным средним по данным Agent Monitor: стоимость, токены, число вызовов инструментов и оценка сложности.

Установить в Claude Code · Через Skills CLI (Vercel) Все способы и платформы ↓
npx skills add hoangsonww/Claude-Code-Agent-Monitor --skill benchmark -a claude-code
Открыть на GitHub

Что делает benchmark

Скилл читает данные Agent Monitor через его API. Список сессий даёт базу для сравнения, эндпоинт стоимости отдаёт расход и разбивку по токенам, эндпоинт воркфлоу — число инструментов и оценку сложности, аналитика подтверждает средние по популяции.

На вход подаётся ID сессии, слово latest для последней, latest N для нескольких последних или ничего — тогда берётся самая свежая. Для каждой метрики скилл считает среднее, медиану и стандартное отклонение по популяции, затем процентиль целевой сессии и z-оценку. По модулю z больше 2 метка становится «выброс».

В отчёте — таблица Markdown: метрика, значение сессии, среднее по популяции, процентиль, z-оценка и метка. Валюта в долларах с четырьмя знаками после точки, токены и число инструментов целыми, сложность с двумя знаками. Рост отмечается значком ▲, падение — ▼. Внизу одна строка вывода: «Normal session» или «Outlier — driven by <metric> (pNN)». Если сессия выбилась, скилл называет метрику, которая её вытянула.

База только из полученной популяции. Ничего не досчитывается на глаз — это важно, если вы потом опираетесь на цифры в разборе.

Какие задачи решает

  • Понять, была ли сессия обычной по расходу и объёму
  • Найти метрику, из-за которой сессия выбилась из нормы
  • Сравнить несколько последних сессий с одной базой

Примеры запросов агенту

  • Сравни сессию a1b2c3 со средней по последним 200 сессиям
  • Прогони benchmark по latest и скажи, нормальная она или выброс
  • Сравни latest 5 с накопленным средним по каждой метрике

Как установить benchmark

1Через Skills CLI (Vercel)

npx skills add hoangsonww/Claude-Code-Agent-Monitor --skill benchmark -a claude-code

2Вручную: положить файлы

~/.claude/skills/benchmark/SKILL.md

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

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

Вопросы о benchmark

Как установить benchmark в Claude Code?

Выполните npx skills add hoangsonww/Claude-Code-Agent-Monitor --skill benchmark -a claude-code. Файл скилла окажется по пути ~/.claude/skills/benchmark/SKILL.md.

Что делает benchmark?

Считает по сессии стоимость, суммарные токены, число инструментов и оценку сложности, а потом показывает, в каком проценте популяции каждая метрика и насколько она отклонилась от среднего.

Откуда берётся база для сравнения?

Из данных Agent Monitor: список сессий строит накопленное среднее, эндпоинты стоимости и воркфлоу дают метрики целевой сессии. Процентили считаются только по полученной популяции.

Исходный текст

SKILL.md · MIT
---
name: benchmark
description: >
  Benchmark one session (or a small recent set) against the rolling average using
  Agent Monitor data — cost, total tokens, tool count, and workflow complexity
  score — and report where each metric lands as a percentile of the population.
  Tells you whether a session was normal, cheap, or an outlier. Use when judging
  whether a session was typical or out of band.
---

# Benchmark

Score a session against the rolling population average and report its percentile on
cost, tokens, tool count, and complexity using Agent Monitor data.

## Input

The user provides: **$ARGUMENTS**

This may be:
- A single session ID — benchmark that session
- "latest" — benchmark the most recent session
- "latest N" — benchmark the N most recent sessions, each vs the average
- empty — benchmark the most recent session (default)

## Data Sources

| Endpoint | Returns |
|----------|---------|
| `GET /api/sessions?limit=N` | Population of sessions with `cost`, `model`, `started_at`, `metadata` (turn_count, total_turn_duration_ms) — builds the rolling baseline |
| `GET /api/pricing/cost/{sessionId}` | `{ total_cost, breakdown:[{ input_tokens, output_tokens, cache_read_tokens, cache_write_tokens, cost }] }` — the target session's cost and tokens |
| `GET /api/workflows/{sessionId}` | `complexity` (score), `stats` (tool/event counts), `toolFlow` (distinct tools used) — the target session's tool count and complexity |
| `GET /api/analytics` | `avg_events_per_session`, `tool_usage`, `daily_sessions` — corroborates population-level averages |

## Report Sections

### 1. Build the Baseline
Fetch the population with `GET /api/sessions?limit=200` (the rolling set). For each
session gather cost (`GET /api/pricing/cost/{id}` or the list `cost` field), total
tokens (sum of the 4 token types from the pricing breakdown), tool count and
complexity (`GET /api/workflows/{id}`). Compute mean, median, and standard
deviation for each metric across the population.

### 2. Measure the Target
For the requested session, pull the same four metrics:
- **Cost** — `total_cost` from `GET /api/pricing/cost/{id}`.
- **Total tokens** — `input + output + cache_read + cache_write` summed from the breakdown.
- **Tool count** — distinct/total tools from `GET /api/workflows/{id}` `stats`/`toolFlow`.
- **Complexity score** — `complexity.score` from `GET /api/workflows/{id}`.

### 3. Percentile and Deviation
For each metric report the target's percentile within the population (share of
sessions at or below it) and its z-score `(value − mean) / stddev`. Label each:
below average / typical / above average / outlier (|z| > 2).

### 4. Verdict
State whether the session was normal overall. If it is an outlier, name which
metric drove it (e.g., complexity p96, cost p91 → an unusually heavy session).

## Output

- A Markdown table: metric | session value | population mean | percentile | z-score | label.
- Currency in USD to 4 decimals; tokens and tool counts as integers; complexity to 2 decimals.
- Use ▲ for above-average and ▼ for below-average vs the mean.
- One-line verdict: "Normal session" or "Outlier — driven by <metric> (pNN)".
- When benchmarking multiple sessions, one row block per session plus a summary line.
- Read-only: percentiles come only from the fetched population; never fabricate the baseline.

© hoangsonww · MIT · hoangsonww/Claude-Code-Agent-Monitor

Похожие скиллы

Все скиллы по теме «Настройка агента: память, контекст, субагенты» →

Сначала — benchmark от других авторов.

benchmark affaan-m Скилл измеряет скорость страниц, API и сборки, а затем сравнивает показатели до и после изменений. Пригодится перед релизом или когда страницу считают медленной. CX Codex +1 4 500установок benchmark TakaGoto Прогоняет ваш RAG-конвейер по набору тестовых запросов и показывает, где уходят время и токены. Пригодится, когда ответы стали медленными или дорогими. CX Codex +1 ★ 24звёзд репо setup-matt-pocock-skills Matt Pocock Скилл настраивает репозиторий для инженерных скиллов Matt Pocock: задаёт трекер задач, метки триажа и расположение доменной документации. Запустите его перед первым использованием остальных скиллов. 1 052 851установок ask-matt Matt Pocock Помогает выбрать подходящий скилл или рабочий поток из набора Matt Pocock. Пригодится, когда непонятно, с чего начать задачу: от идеи до разбора бага. 766 587установок to-tickets Matt Pocock Разбивает план, спецификацию или переписку на небольшие сквозные задачи и отмечает, какие из них блокируют остальные. Пригодится, когда нужно согласовать порядок работы до публикации задач в трекере. 711 230установок writing-plans Jesse Vincent Скилл превращает требования к многошаговой задаче в подробный план реализации до начала работы с кодом. Пригодится, когда исполнителю нужно зафиксировать файлы, интерфейсы и проверки. CX Codex 282 859установок caveman-review JuliusBrussee Пишет замечания к коду одной строкой: место, проблема, исправление. Пригодится, когда ревью диффа или PR надо пройти быстро и без воды. CX Codex +1 411 800установок caveman-compress JuliusBrussee Сжимает CLAUDE.md, списки задач и другие текстовые файлы в краткий формат, сохраняя читаемую резервную копию. CX Codex +1 411 500установок

Из того же набора20

daily-standup Собирает стендап-отчёт из сессий Claude: что сделано по проектам, где были ошибки, сколько это стоило. CX Codex +1 ★ 1 121звёзд репо history-portability Импортирует историю Claude и Codex, а также переносит датасеты CCAM между машинами. Пригодится при переезде на новый компьютер или восстановлении из бэкапа. CX Codex +1 ★ 1 121звёзд репо remote-collection Скилл для настройки удалённых источников данных CCAM: подключает машины по SSH и забирает историю Claude и Codex. Пригодится, когда сессии живут не только на вашем ноутбуке. CX Codex +1 ★ 1 121звёзд репо regression-watch Сравнивает старые и свежие окна истории сессий и показывает, какие метрики ухудшились: ошибки, кэш, компакции, цена за сессию. CX Codex +1 ★ 1 121звёзд репо session-debug Разбирает одну сессию Claude по данным Agent Monitor: цепочку событий, дерево субагентов, расход токенов и ошибки. CX Codex +1 ★ 1 121звёзд репо event-trace Собирает все события одной сессии Claude в хронологический таймлайн с пометками провалов, пауз и незакрытых вызовов инструментов. CX Codex +1 ★ 1 121звёзд репо live-watch Опрашивает /api/stats Agent Monitor несколько раз подряд и показывает, как меняются счётчики за короткое окно. Пригодится, когда нужно увидеть движение, а не один снимок. CX Codex +1 ★ 1 121звёзд репо spend-forecast Считает, во сколько обойдётся работа к концу недели или месяца, по дневному тренду сессий на дашборде Agent Monitor. CX Codex +1 ★ 1 121звёзд репо

Спонсоры проекта

Компании, которые помогают держать аналитику открытой