К основному содержанию
скилл

setup · alirezarezvani — скилл для Claude Code: эксперименты autoresearch

Собирает настройки эксперимента autoresearch: цель, файл, команду оценки, метрику и направление улучшения. Пригодится, когда вы хотите запустить цикл оптимизации файла.

Установить в Claude Code · Через маркетплейс плагинов Все способы и платформы ↓
/plugin marketplace add alirezarezvani/claude-skills
/plugin install autoresearch-agent@claude-code-skills
Открыть на GitHub

Что делает setup

Скилл настраивает эксперимент autoresearch. В интерактивном режиме он по очереди запрашивает домен, имя эксперимента, целевой файл, команду оценки, метрику и направление улучшения. Также можно выбрать встроенный оценщик и место хранения: .autoresearch/ в проекте или ~/.autoresearch/ для пользователя. Целевой файл проверяется на существование.

Среди встроенных оценщиков есть замеры скорости, размера, прохождения тестов и расхода памяти, а также оценка текстов и промптов. Параметры можно передать аргументами; для просмотра экспериментов и оценщиков предусмотрены режимы --list и --list-evaluators. Для запуска настройки используется setup_experiment.py.

Ставьте его, если хотите задать параметры эксперимента перед циклом autoresearch. Для оптимизации без метрики и команды оценки сначала нужно определить, как вы будете измерять результат.

Какие задачи решает

  • задать файл и команду для оценки эксперимента
  • выбрать метрику и направление улучшения
  • посмотреть доступные встроенные оценщики
  • перечислить существующие эксперименты autoresearch

Примеры запросов агенту

  • Настрой эксперимент autoresearch для src/api.py: команда оценки pytest bench.py, метрика p50_ms, меньше — лучше.
  • Покажи доступные оценщики для текстов и промптов.
  • Создай эксперимент api-speed в домене engineering и сохрани его в проекте.

Как установить setup

1Через маркетплейс плагинов

/plugin marketplace add alirezarezvani/claude-skills
/plugin install autoresearch-agent@claude-code-skills

Команда ставит плагин autoresearch-agent целиком, со всеми его скиллами

2Через Skills CLI (Vercel)

npx skills add alirezarezvani/claude-skills --skill setup -a claude-code

3Вручную: положить файлы

~/.claude/skills/setup/SKILL.md

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

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

Вопросы о setup

Как установить setup в Claude Code?

Добавьте маркетплейс командой /plugin marketplace add alirezarezvani/claude-skills, затем установите плагин: /plugin install autoresearch-agent@claude-code-skills.

Что делает скилл setup?

Он собирает параметры эксперимента autoresearch и передаёт их скрипту setup_experiment.py. Можно указать целевой файл, команду оценки, метрику и направление улучшения.

Какие оценщики доступны в setup?

Есть оценщики для скорости, размера, результатов тестов, времени сборки и расхода памяти. Для текстов доступны llm_judge_content, llm_judge_prompt и llm_judge_copy.

Исходный текст

SKILL.md · MIT
---
name: "setup"
description: "Set up a new autoresearch experiment interactively. Collects domain, target file, eval command, metric, direction, and evaluator. Use when the user runs /ar:setup or asks to start optimizing a file with the autoresearch loop."
metadata:
  command: /ar:setup
---

# /ar:setup — Create New Experiment

Set up a new autoresearch experiment with all required configuration.

## Usage

```
/ar:setup                                    # Interactive mode
/ar:setup engineering api-speed src/api.py "pytest bench.py" p50_ms lower
/ar:setup --list                             # Show existing experiments
/ar:setup --list-evaluators                  # Show available evaluators
```

## What It Does

### If arguments provided

Pass them directly to the setup script:

```bash
python {skill_path}/scripts/setup_experiment.py \
  --domain {domain} --name {name} \
  --target {target} --eval "{eval_cmd}" \
  --metric {metric} --direction {direction} \
  [--evaluator {evaluator}] [--scope {scope}]
```

### If no arguments (interactive mode)

Collect each parameter one at a time:

1. **Domain** — Ask: "What domain? (engineering, marketing, content, prompts, custom)"
2. **Name** — Ask: "Experiment name? (e.g., api-speed, blog-titles)"
3. **Target file** — Ask: "Which file to optimize?" Verify it exists.
4. **Eval command** — Ask: "How to measure it? (e.g., pytest bench.py, python evaluate.py)"
5. **Metric** — Ask: "What metric does the eval output? (e.g., p50_ms, ctr_score)"
6. **Direction** — Ask: "Is lower or higher better?"
7. **Evaluator** (optional) — Show built-in evaluators. Ask: "Use a built-in evaluator, or your own?"
8. **Scope** — Ask: "Store in project (.autoresearch/) or user (~/.autoresearch/)?"

Then run `setup_experiment.py` with the collected parameters.

### Listing

```bash
# Show existing experiments
python {skill_path}/scripts/setup_experiment.py --list

# Show available evaluators
python {skill_path}/scripts/setup_experiment.py --list-evaluators
```

## Built-in Evaluators

| Name | Metric | Use Case |
|------|--------|----------|
| `benchmark_speed` | `p50_ms` (lower) | Function/API execution time |
| `benchmark_size` | `size_bytes` (lower) | File, bundle, Docker image size |
| `test_pass_rate` | `pass_rate` (higher) | Test suite pass percentage |
| `build_speed` | `build_seconds` (lower) | Build/compile/Docker build time |
| `memory_usage` | `peak_mb` (lower) | Peak memory during execution |
| `llm_judge_content` | `ctr_score` (higher) | Headlines, titles, descriptions |
| `llm_judge_prompt` | `quality_score` (higher) | System prompts, agent instructions |
| `llm_judge_copy` | `engagement_score` (higher) | Social posts, ad copy, emails |

## After Setup

Report to the user:
- Experiment path and branch name
- Whether the eval command worked and the baseline metric
- Suggest: "Run `/ar:ar-run {domain}/{name}` to start iterating, or `/ar:loop {domain}/{name}` for autonomous mode."

© Alireza Rezvani · MIT · alirezarezvani/claude-skills

Похожие скиллы

Всё по теме «Тесты и QA» →
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 improve-codebase-architecture Matt Pocock Скилл ищет архитектурные узкие места в кодовой базе и показывает варианты углубления модулей в HTML-отчёте. Подойдёт для ревью перед рефакторингом. 1 163 035установок design-taste-frontend Leonxlnx Скилл задаёт арт-дирекцию для публичных страниц и рабочих экранов, а затем проверяет результат в браузере по скриншотам. Нужен, когда интерфейс выглядит шаблонным или недоработанным. CX Codex +1 678 700установок tdd Matt Pocock Скилл управляет циклом красный-зелёный в TDD: проверяет, что тесты пишутся до кода, держит их на уровне публичных интерфейсов и не завязывает на внутреннюю структуру. 1 141 062установок skill-creator официальный anthropics Помогает создать новый скилл, доработать существующий и проверить результат через тестовые промпты и оценки. 414 180установок agent-browser vercel-labs Скилл управляет браузером через CLI: открывает страницы, заполняет формы, нажимает кнопки и проверяет веб-приложения. Подходит для задач, где агенту нужно действовать в интерфейсе. CX Codex +1 1 200 000установок prototype Matt Pocock Создаёт временный прототип, чтобы проверить логику, модель состояния или вид интерфейса до работы над основным кодом. 986 201установок

Из того же набора394

Весь набор →
testrail Синхронизирует Playwright-тесты и TestRail: импортирует кейсы, отправляет результаты и сверяет покрытие. Нужен для работы с тест-ранами и аннотациями кейсов. 1 581установок social-media-analyzer Анализирует результаты кампаний в соцсетях: считает вовлечённость, ROI и сравнивает показатели с бенчмарками платформ. 1 558установок loop Скилл запускает повторяющиеся autoresearch-эксперименты по расписанию через CronCreate. Подходит для задач, которые нужно проверять по одной итерации. 1 557установок senior-architect Анализирует архитектуру проекта, зависимости и структуру кода. Пригодится для ADR, выбора базы данных и схем Mermaid, PlantUML или ASCII. 1 494установок postmortem Проводит разбор неудач по методу «5 почему» и фиксирует изменения с ответственными. Пригодится после сорванного запуска, провала функции или неудачного найма. 1 465установок board-prep Готовит к жёсткому разбору на встрече совета директоров: проверяет знание метрик, вопросы и линию разговора. Пригодится перед инвесторским обновлением или фандрайзингом. 1 451установок stress-test Проверяет бизнес-допущения на контрдоказательства, сценарии снижения и чувствительность. Нужен перед ставкой на непроверенный план или прогноз выручки. 1 448установок challenge Скилл проверяет план через сценарий провала через 12 месяцев и находит слабые допущения, зависимости и риски. Подходит до крупных решений. 1 438установок

Спонсоры проекта

Компании, которые помогают держать аналитику открытой