К основному содержанию
скилл GitHub Copilot официальный · GitHub

phoenix-evals — скилл для GitHub Copilot: оценка AI-приложений

Скилл помогает создавать и запускать оценщики для AI- и LLM-приложений с Phoenix. Пригодится для разбора ошибок, проверки RAG и оценки качества моделей.

Установить в GitHub Copilot · Через Skills CLI (Vercel) Все способы и платформы ↓
npx skills add github/awesome-copilot --skill phoenix-evals
Открыть на GitHub

Что делает phoenix-evals

Внутри есть справочные материалы о выборе оценщиков и моделей-судей, готовых и собственных проверках на Python и TypeScript. Скилл описывает работу с наборами данных, экспериментами, синтетическими данными и пакетной оценкой DataFrame на Python.

Также он помогает анализировать ошибки, проверять оценщики по человеческим меткам и отбирать трейсы для проверки. Для работы нужен сервер Phoenix; Python-варианту нужны пакеты phoenix и openai, а TypeScript-варианту — @arizeai/phoenix-client.

Ставьте его, если хотите построить цикл оценки AI-приложения от анализа ошибок до проверок в production. Если сервер Phoenix не входит в ваш процесс, этот скилл не подойдёт.

Какие задачи решает

  • выбрать, что оценивать в AI-приложении
  • создать кодовый или LLM-оценщик на Python либо TypeScript
  • проверить RAG на качество поиска и верность ответов
  • сопоставить оценщиков с человеческими метками
  • разобрать ошибки и отобрать трейсы для проверки

Примеры запросов агенту

  • Помоги оценить ответы моего LLM-приложения и предложи подходящие проверki в Phoenix.
  • Создай кодовый оценщик на Python для ошибок, которые я описал.
  • Подготовь эксперимент для RAG и объясни, как проверить оценщик по человеческим меткам.

Как установить phoenix-evals

1Через Skills CLI (Vercel)

npx skills add github/awesome-copilot --skill phoenix-evals

2GitHub CLI

gh skill install github/awesome-copilot phoenix-evals

3Вручную: положить файлы

.github/skills/phoenix-evals/SKILL.md

Из того же набора554

Весь набор →
git-commit официальный github Скилл разбирает изменения Git, выбирает связанные файлы и создаёт коммит в формате Conventional Commits. Пригодится, когда нужно закоммитить одну или несколько логических частей изменений. GitHub Copilot 47 165установок excalidraw-diagram-generator официальный github Скилл превращает описание на обычном языке в диаграмму Excalidraw. Подойдёт, когда нужно показать процесс, связи между объектами или устройство системы. GitHub Copilot 31 639установок multi-stage-dockerfile официальный github Скилл помогает создавать многоэтапные Dockerfile для разных языков и фреймворков. Пригодится, когда важны размер и состав runtime-образа. GitHub Copilot 29 688установок documentation-writer официальный github Скилл для создания технической документации по фреймворку Diátaxis: туториалы, гайды, справки и объяснения. Предлагает структуру перед написанием. GitHub Copilot 27 757установок prd официальный github Собирает из идеи структурированный PRD с пользовательскими историями, техническими требованиями и рисками. Подходит для планирования новых функций, в том числе с AI. GitHub Copilot 24 035установок refactor официальный github Скилл помогает менять структуру кода без изменения внешнего поведения. Подойдёт для постепенной уборки сложных функций, дублирования и кодовых запахов. GitHub Copilot 22 321установок java-springboot официальный github Задаёт практики разработки Spring Boot-приложений: от структуры проекта до тестов и безопасности. Пригодится, когда Copilot пишет или проверяет Java-код. GitHub Copilot 21 272установок create-readme официальный github Скилл изучает проект и создаёт структурированный README.md. Подойдёт, когда документацию нужно собрать по коду и файлам проекта. GitHub Copilot 19 081установок

Похожие

skill-creator tldraw Инструкция для агента, по которой он собирает новые скиллы: структура SKILL.md, папки с ресурсами и правила, чтобы не раздувать контекст. Claude Code CX Codex Cursor +1 431установок statistical-power K-Dense-AI Вычисляет, сколько объектов наблюдения нужно для исследования, чтобы обнаружить значимый эффект. Помогает при подготовке протокола, гранта или pre-registration — от простых t-тестов до сложных регрессий и смешанных моделей. Claude Code CX Codex Cursor +1 1 300установок cli-anything-notebooklm HKUDS Скилл для управления Google NotebookLM через локальный CLI. Помогает просматривать блокноты, загружать источники, задавать вопросы и выгружать готовые артефакты. Claude Code CX Codex Cursor +1 801установок autonomous-agents sickn33 Скилл о том, как собрать автономного агента и не утонуть в накоплении ошибок: циклы ReAct, декомпозиция цели, рефлексия, надёжность в продакшене. Claude Code CX Codex Cursor +1 1 200установок ai-prompt-research every-app Скилл находит вопросы, которые люди задают ChatGPT о вашей нише, показывает, как он на них отвечает, и какие сайты он цитирует. Помогает понять, где ваш бренд упоминается в ответах AI, а где конкуренты. Claude Code CX Codex Cursor +1 837установок huggingface-papers huggingface Разбирает статьи Hugging Face Papers и arXiv: вытаскивает ID, читает страницу в markdown и достаёт авторов, модели и датасеты через papers API. Claude Code CX Codex Cursor +1 2 200установок 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

Вопросы о phoenix-evals

Как установить phoenix-evals в GitHub Copilot?

Выполните npx skills add github/awesome-copilot --skill phoenix-evals или gh skill install github/awesome-copilot phoenix-evals.

Что делает phoenix-evals?

Помогает создавать и запускать оценщики AI- и LLM-приложений. Включает материалы по экспериментам, анализу ошибок, RAG и проверке оценщиков.

Что нужно для работы phoenix-evals?

Нужен сервер Phoenix. Для Python нужны пакеты phoenix и openai, для TypeScript — @arizeai/phoenix-client.

Исходный текст

SKILL.md · Apache-2.0
---
name: phoenix-evals
description: Build and run evaluators for AI/LLM applications using Phoenix.
license: Apache-2.0
compatibility: Requires Phoenix server. Python skills need phoenix and openai packages; TypeScript skills need @arizeai/phoenix-client.
metadata:
  author: [email protected]
  version: "1.0.0"
  languages: "Python, TypeScript"
---

# Phoenix Evals

Build evaluators for AI/LLM applications. Code first, LLM for nuance, validate against humans.

## Quick Reference

| Task | Files |
| ---- | ----- |
| Setup | [setup-python](references/setup-python.md), [setup-typescript](references/setup-typescript.md) |
| Decide what to evaluate | [evaluators-overview](references/evaluators-overview.md) |
| Choose a judge model | [fundamentals-model-selection](references/fundamentals-model-selection.md) |
| Use pre-built evaluators | [evaluators-pre-built](references/evaluators-pre-built.md) |
| Build code evaluator | [evaluators-code-python](references/evaluators-code-python.md), [evaluators-code-typescript](references/evaluators-code-typescript.md) |
| Build LLM evaluator | [evaluators-llm-python](references/evaluators-llm-python.md), [evaluators-llm-typescript](references/evaluators-llm-typescript.md), [evaluators-custom-templates](references/evaluators-custom-templates.md) |
| Batch evaluate DataFrame | [evaluate-dataframe-python](references/evaluate-dataframe-python.md) |
| Understand experiments | [experiments-overview](references/experiments-overview.md) |
| Run experiment | [experiments-running-python](references/experiments-running-python.md), [experiments-running-typescript](references/experiments-running-typescript.md) |
| Create dataset | [experiments-datasets-python](references/experiments-datasets-python.md), [experiments-datasets-typescript](references/experiments-datasets-typescript.md) |
| Generate synthetic data | [experiments-synthetic-python](references/experiments-synthetic-python.md), [experiments-synthetic-typescript](references/experiments-synthetic-typescript.md) |
| Validate evaluator accuracy | [validation](references/validation.md), [validation-evaluators-python](references/validation-evaluators-python.md), [validation-evaluators-typescript](references/validation-evaluators-typescript.md) |
| Sample traces for review | [observe-sampling-python](references/observe-sampling-python.md), [observe-sampling-typescript](references/observe-sampling-typescript.md) |
| Analyze errors | [error-analysis](references/error-analysis.md), [error-analysis-multi-turn](references/error-analysis-multi-turn.md), [axial-coding](references/axial-coding.md) |
| RAG evals | [evaluators-rag](references/evaluators-rag.md) |
| Avoid common mistakes | [common-mistakes-python](references/common-mistakes-python.md), [fundamentals-anti-patterns](references/fundamentals-anti-patterns.md) |
| Production | [production-overview](references/production-overview.md), [production-guardrails](references/production-guardrails.md), [production-continuous](references/production-continuous.md) |

## Workflows

**Starting Fresh:**
[observe-tracing-setup](references/observe-tracing-setup.md) → [error-analysis](references/error-analysis.md) → [axial-coding](references/axial-coding.md) → [evaluators-overview](references/evaluators-overview.md)

**Building Evaluator:**
[fundamentals](references/fundamentals.md) → [common-mistakes-python](references/common-mistakes-python.md) → evaluators-{code|llm}-{python|typescript} → validation-evaluators-{python|typescript}

**RAG Systems:**
[evaluators-rag](references/evaluators-rag.md) → evaluators-code-* (retrieval) → evaluators-llm-* (faithfulness)

**Production:**
[production-overview](references/production-overview.md) → [production-guardrails](references/production-guardrails.md) → [production-continuous](references/production-continuous.md)

## Reference Categories

| Prefix | Description |
| ------ | ----------- |
| `fundamentals-*` | Types, scores, anti-patterns |
| `observe-*` | Tracing, sampling |
| `error-analysis-*` | Finding failures |
| `axial-coding-*` | Categorizing failures |
| `evaluators-*` | Code, LLM, RAG evaluators |
| `experiments-*` | Datasets, running experiments |
| `validation-*` | Validating evaluator accuracy against human labels |
| `production-*` | CI/CD, monitoring |

## Key Principles

| Principle | Action |
| --------- | ------ |
| Error analysis first | Can't automate what you haven't observed |
| Custom > generic | Build from your failures |
| Code first | Deterministic before LLM |
| Validate judges | >80% TPR/TNR |
| Binary > Likert | Pass/fail, not 1-5 |

© [email protected] · Apache-2.0 · github/awesome-copilot

Смотрите также

Спонсоры проекта

Компании, которые помогают держать аналитику открытой