К основному содержанию
скилл Claude Code CX Codex Cursor

llm-evaluation — скилл для Claude: оценка LLM-приложений

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.

Установить в Claude Code · Через маркетплейс плагинов Все способы и платформы ↓
/plugin marketplace add wshobson/agents
/plugin install llm-application-dev@claude-code-workflows
Открыть на GitHub

Что делает llm-evaluation

Скилл закрывает рутину вокруг оценки LLM-приложений. Внутри — набор подходов: автоматические метрики (BLEU, ROUGE, METEOR, BERTScore, perplexity для генерации текста; accuracy, precision, recall, F1, confusion matrix, AUC-ROC для классификации; MRR, NDCG, Precision@K, Recall@K для RAG-поиска), человеческая оценка по осям accuracy, coherence, relevance, fluency, safety, helpfulness и LLM-as-judge в четырёх вариантах — pointwise, pairwise, reference-based и reference-free.

В quick start лежит Python-код: dataclass Metric с фабриками accuracy(), bleu(), bertscore(), custom(), класс EvaluationSuite с асинхронным методом evaluate(), который прогоняет тест-кейсы через модель и усредняет оценки. Детальные паттерны вынесены в references/details.md — скилл читает файл, когда верхнего уровня не хватает.

Ставить стоит, если вы уже гоняете LLM в проде или собираетесь сравнивать промпты и модели на регулярной основе. Для одноразовой проверки хватит пары скриптов руками — скилл тут лишний.

Какие задачи решает

  • сравнить две модели или два промпта на одном наборе тестов
  • поймать регрессию качества до выката в прод
  • посчитать BLEU и ROUGE для генерации текста
  • оценить выдачу RAG-поиска через MRR и NDCG
  • настроить LLM-as-judge для оценки без эталонных ответов

Примеры запросов агенту

  • прогони мой промпт через EvaluationSuite с accuracy и bertscore
  • сравни две версии промпта pairwise через LLM-as-judge
  • добавь кастомную метрику groundedness в скилл llm-evaluation

Как установить llm-evaluation

1Через маркетплейс плагинов

/plugin marketplace add wshobson/agents
/plugin install llm-application-dev@claude-code-workflows

Команда ставит плагин llm-application-dev целиком, со всеми его скиллами

2Через Skills CLI (Vercel)

npx skills add wshobson/agents --skill llm-evaluation -a claude-code

3Вручную: положить файлы

~/.claude/skills/llm-evaluation/SKILL.md

Папка скилла целиком; для одного проекта — .claude/skills/llm-evaluation/

Из того же набора213

Весь набор →
typescript-advanced-types Seth Hobson Помогает агенту писать сложную типизацию TypeScript: generics, conditional types и преобразования типов. Нужен для библиотек, API-клиентов и строгих конфигураций. Claude Code CX Codex Cursor 92 169установок tailwind-design-system Seth Hobson Помогает строить дизайн-системы на Tailwind CSS v4. Пригодится для библиотеки компонентов или унификации интерфейса в проекте. Claude Code CX Codex Cursor 70 180установок brand-landingpage Travis D. Elliott Скилл проводит интервью о продукте и визуальном стиле, затем помогает создать лендинг через Stitch. Подойдёт, если у проекта пока нет готового дизайна. Claude Code CX Codex Cursor 39 476установок python-testing-patterns Seth Hobson Скилл помогает писать тесты Python с pytest, фикстурами и моками. Подходит для настройки тестового набора и отладки падающих проверок. Claude Code CX Codex Cursor 36 943установок python-performance-optimization Seth Hobson Скилл помогает профилировать Python-код, находить узкие места CPU и памяти. Подходит, когда приложение медленно отвечает или тратит слишком много ресурсов. Claude Code CX Codex Cursor 35 675установок nextjs-app-router-patterns Seth Hobson Помогает строить приложения на Next.js App Router: выбирать режим рендеринга, организовывать маршруты и получать данные. Подойдёт при миграции с Pages Router или работе с Server Components. Claude Code CX Codex Cursor 32 529установок api-design-principles Seth Hobson Скилл помогает проектировать и проверять REST- и GraphQL API. Пригодится при подготовке спецификации, пересмотре существующего API или согласовании стандартов команды. Claude Code CX Codex Cursor 30 348установок code-review-excellence Seth Hobson Скилл помогает разбирать pull request по этапам, находить ошибки и давать конкретную обратную связь. Подойдёт для ревью кода и настройки командных стандартов. Claude Code CX Codex Cursor 30 193установок

Похожие

cloud-monitoring-list-time-series-request официальный google Скилл собирает запросы ListTimeSeries и агрегации для Cloud Monitoring. Пригодится, когда нужно подготовить фильтр, JSON или параметры графика. Claude Code Gemini CLI CX Codex 4 100установок retrieving-developer-knowledge официальный Google LLC Ищет и обобщает официальную документацию Google для Cloud, Gemini, Android, Firebase и других платформ. Подойдёт для вопросов по API, IAM и gcloud. Claude Code Gemini CLI CX Codex 4 100установок google-cloud-storage-fuse официальный google Скилл помогает решать, нужен ли gcsfuse, настраивать монтирование Cloud Storage и разбирать проблемы с производительностью и расходами. Claude Code Gemini CLI CX Codex 3 900установок azure-pricing официальный anthonychu Скилл получает актуальные розничные цены Azure и считает примерные расходы. Подойдёт для сравнения SKU, регионов и моделей оплаты. GitHub Copilot 4 700установок paddleocr-doc-parsing PaddlePaddle Скилл извлекает структурированный Markdown и JSON из документов PDF и сканов. Переводит таблицы по ячейкам, формулы в LaTeX и сохраняет порядок чтения. Claude Code CX Codex Cursor +1 470установок skill-creator официальный anthropics Помогает создать новый скилл, доработать существующий и проверить результат через тестовые промпты и оценки. Claude Code Claude.ai 414 180установок writing-for-agents Matt Pocock Помогает писать скиллы и документы с инструкциями для агентов. Пригодится при правках AGENTS.md, CLAUDE.md и связанных справочных файлов. Claude Code 466 719установок media-use heygen-com Находит и генерирует ассеты для видео в HyperFrames — музыку, дикторский голос, аватары и эффекты. Сохраняет всё локально в assets. Claude Code CX Codex Cursor +1 1 100 000установок

Вопросы о llm-evaluation

Как установить llm-evaluation в Claude?

Через маркетплейс плагинов: /plugin marketplace add wshobson/agents, затем /plugin install llm-application-dev@claude-code-workflows. Альтернатива — npx skills add wshobson/agents --skill llm-evaluation -a claude-code.

Что делает скилл llm-evaluation?

Описывает стратегии оценки LLM-приложений: автоматические метрики, человеческую разметку, LLM-as-judge и бенчмарки. Плюс даёт готовый Python-каркас EvaluationSuite для прогона тест-кейсов.

Какие метрики входят в скилл?

Для генерации текста — BLEU, ROUGE, METEOR, BERTScore, perplexity. Для классификации — accuracy, precision, recall, F1, confusion matrix, AUC-ROC. Для RAG — MRR, NDCG, Precision@K, Recall@K.

Исходный текст

SKILL.md · MIT
---
name: llm-evaluation
description: Implement comprehensive evaluation strategies for LLM applications using automated metrics, human feedback, and benchmarking. Use when testing LLM performance, measuring AI application quality, or establishing evaluation frameworks.
---

# LLM Evaluation

Master comprehensive evaluation strategies for LLM applications, from automated metrics to human evaluation and A/B testing.

## When to Use This Skill

- Measuring LLM application performance systematically
- Comparing different models or prompts
- Detecting performance regressions before deployment
- Validating improvements from prompt changes
- Building confidence in production systems
- Establishing baselines and tracking progress over time
- Debugging unexpected model behavior

## Core Evaluation Types

### 1. Automated Metrics

Fast, repeatable, scalable evaluation using computed scores.

**Text Generation:**

- **BLEU**: N-gram overlap (translation)
- **ROUGE**: Recall-oriented (summarization)
- **METEOR**: Semantic similarity
- **BERTScore**: Embedding-based similarity
- **Perplexity**: Language model confidence

**Classification:**

- **Accuracy**: Percentage correct
- **Precision/Recall/F1**: Class-specific performance
- **Confusion Matrix**: Error patterns
- **AUC-ROC**: Ranking quality

**Retrieval (RAG):**

- **MRR**: Mean Reciprocal Rank
- **NDCG**: Normalized Discounted Cumulative Gain
- **Precision@K**: Relevant in top K
- **Recall@K**: Coverage in top K

### 2. Human Evaluation

Manual assessment for quality aspects difficult to automate.

**Dimensions:**

- **Accuracy**: Factual correctness
- **Coherence**: Logical flow
- **Relevance**: Answers the question
- **Fluency**: Natural language quality
- **Safety**: No harmful content
- **Helpfulness**: Useful to the user

### 3. LLM-as-Judge

Use stronger LLMs to evaluate weaker model outputs.

**Approaches:**

- **Pointwise**: Score individual responses
- **Pairwise**: Compare two responses
- **Reference-based**: Compare to gold standard
- **Reference-free**: Judge without ground truth

## Quick Start

```python
from dataclasses import dataclass
from typing import Callable
import numpy as np

@dataclass
class Metric:
    name: str
    fn: Callable

    @staticmethod
    def accuracy():
        return Metric("accuracy", calculate_accuracy)

    @staticmethod
    def bleu():
        return Metric("bleu", calculate_bleu)

    @staticmethod
    def bertscore():
        return Metric("bertscore", calculate_bertscore)

    @staticmethod
    def custom(name: str, fn: Callable):
        return Metric(name, fn)

class EvaluationSuite:
    def __init__(self, metrics: list[Metric]):
        self.metrics = metrics

    async def evaluate(self, model, test_cases: list[dict]) -> dict:
        results = {m.name: [] for m in self.metrics}

        for test in test_cases:
            prediction = await model.predict(test["input"])

            for metric in self.metrics:
                score = metric.fn(
                    prediction=prediction,
                    reference=test.get("expected"),
                    context=test.get("context")
                )
                results[metric.name].append(score)

        return {
            "metrics": {k: np.mean(v) for k, v in results.items()},
            "raw_scores": results
        }

# Usage
suite = EvaluationSuite([
    Metric.accuracy(),
    Metric.bleu(),
    Metric.bertscore(),
    Metric.custom("groundedness", check_groundedness)
])

test_cases = [
    {
        "input": "What is the capital of France?",
        "expected": "Paris",
        "context": "France is a country in Europe. Paris is its capital."
    },
]

results = await suite.evaluate(model=your_model, test_cases=test_cases)
```

## Detailed patterns and worked examples

Detailed pattern documentation lives in `references/details.md`. Read that file when the navigation tier above is insufficient.

© Seth Hobson · MIT · wshobson/agents

Смотрите также

Спонсоры проекта

Компании, которые помогают держать аналитику открытой