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.
npx skills add github/awesome-copilot --skill phoenix-evalsЧто 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-evals2GitHub CLI
gh skill install github/awesome-copilot phoenix-evals3Вручную: положить файлы
.github/skills/phoenix-evals/SKILL.md1Через Skills CLI (Vercel)
npx skills add github/awesome-copilot --skill phoenix-evals -a claude-code2Вручную: положить файлы
~/.claude/skills/phoenix-evals/SKILL.mdПапка скилла целиком; для одного проекта — .claude/skills/phoenix-evals/
Вручную: положить файлы
.agents/skills/phoenix-evals/SKILL.mdДля всех проектов — ~/.agents/skills/
Вручную: положить файлы
.cursor/skills/phoenix-evals/SKILL.mdCursor читает и .agents/skills/, и .claude/skills/
Командой платформы
gemini skills install https://github.com/github/awesome-copilot --path skills/phoenix-evalsВручную: положить файлы
.devin/skills/phoenix-evals/SKILL.mdСтарый путь .windsurf/skills/ тоже читается
Claude.ai
Упакуйте папку в zip и загрузите в Settings → Capabilities → Skills
Из того же набора554
Весь набор →Похожие
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