К основному содержанию
скилл CX Codex

write-code-eval — скилл для Claude Code: код-проверки для eval

Скилл помогает написать код-эвалуатор для известного режима отказа: одна проверка на правило, как юнит-тест для трейса.

Установить в Claude Code · Через Skills CLI (Vercel) Все способы и платформы ↓
npx skills add ai-evals-course/evals-skills --skill write-code-eval -a claude-code
Открыть на GitHub

Что делает write-code-eval

Скилл ведёт от режима отказа, найденного при анализе ошибок, к одной проверке этого режима. Сначала вы формулируете правило и находите поля трейса или эталонные данные, которые проверке нужны. Если правило требует интерпретации, скилл отправляет к write-judge-prompt.

Дальше проверка пишется на языке проекта и в его eval-фреймворке: результат и причина возвращаются в том формате, который фреймворк ожидает. Внутри есть таблица типовых случаев — невалидная структура вывода, запрещённый или пропавший текст, ссылка на документ вне выдачи, плохой вызов инструмента, неверное значение. Проверку выбирают по правилу отказа, а не по удобству.

Отдельный шаг — тесты на известных проходах и провалах, включая пограничные. Если правило подменяет человеческое суждение прокси-метрикой, результаты стоит сверить с человеческими метками. Это и есть место, где чаще всего ломается: проверка проходит на тестовых трейсах, а на живых расходится с разметкой.

Какие задачи решает

  • написать проверку для режима отказа, найденного при анализе ошибок
  • сверить ID цитат с ID документов из выдачи
  • проверить аргументы вызова инструмента по схеме
  • отловить невалидную структуру вывода и пропавшие поля
  • сравнить вывод с эталонным значением

Примеры запросов агенту

  • Напиши код-эвалуатор для режима отказа: в выводе пропадает обязательное поле
  • Сделай проверку, что все цитаты есть в retrieved-документах
  • Проверь аргументы вызова инструмента по схеме в безопасном тестовом окружении

Как установить write-code-eval

1Через Skills CLI (Vercel)

npx skills add ai-evals-course/evals-skills --skill write-code-eval -a claude-code

2Вручную: положить файлы

~/.claude/skills/write-code-eval/SKILL.md

Папка скилла целиком; для одного проекта — .claude/skills/write-code-eval/

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

Из того же набора9

write-judge-prompt Помогает собрать бинарный Pass/Fail оценщик для одного субъективного сбоя: тона, верности ответа, релевантности. Пригодится, когда кодом такое не проверить. CX Codex +1 1 100установок validate-evaluator Скилл проверяет, совпадает ли вердикт LLM-судьи с оценками эксперта, и считает TPR/TNR на отложенной выборке. CX Codex +1 1 100установок eval-audit Скилл находит слабые места в пайплайнах оценки LLM: невалидированных судей, шкалы Лайкерта и утечки данных. Пригодится при ревизии готовых эвалов или настройке с нуля. CX Codex +1 1 000установок error-discovery Скилл для интерактивного разбора датасета с выводами LLM: строит UI для просмотра, отбирает разные примеры и помогает собрать типы сбоев. CX Codex +1 1 000установок generate-synthetic-data Скилл собирает разнообразные тестовые запросы для оценки LLM-пайплайна, когда реальных данных мало. CX Codex +1 984установок build-review-interface Создаёт браузерный интерфейс для разметки трейсов LLM с сохранением в JSON, CSV или SQLite. Пригодится при сборе человеческой обратной связи и оценке моделей. CX Codex +1 970установок evaluate-rag Помогает раздельно оценить поиск и генерацию в RAG, подобрать метрики и проверить разбиение документов на чанки. CX Codex +1 970установок evals-start Направляет запрос по оценке ИИ-системы в нужный специализированный скилл. Нужен, когда неясно, с чего начать или какой сценарий выбрать. CX Codex +1 776установок

Похожие

eval-harness affaan-m Скилл для eval-driven development: задаёт критерии pass/fail до написания кода и считает надёжность агента через pass@k и pass^k. CX Codex +1 4 700установок bmad-eval bmad-code-org Тестирует и бенчмаркает скиллы в изолированной среде: сравнивает вывод с чистой моделью, проверяет точность триггеров и оценивает качество по рубрике. CX Codex +1 4 600установок eval-engineering langchain-ai Скилл ведёт вас через проектирование агентских evals: разбирает репозиторий, пишет Task Spec, собирает и проверяет задачи в Harbor. CX Codex +1 5 300установок agent-observability-eval-pipeline datadog-labs Ведёт инструментированное ml_app по шести фазам: классификация трейсов, разбор сбоев, бутстрап эвалуаторов, датасет, эксперимент и анализ. CX Codex +1 540установок expo-skill-eval expo Оценивает скиллы Expo от срабатывания триггеров до сборки и скриншотов на эмуляторах iOS и Android в Expo Go. Пригодится авторам скиллов при тестировании генерации кода. CX Codex +1 21 800установок google-agents-cli-eval официальный Google Помогает настроить запуск тестов, датасеты и метрики для ИИ-агентов через agents-cli. Пригодится для анализа сбоев и оптимизации промптов по методике Gemini. CX Codex +1 511 400установок

Рядом в теме «ИИ и ML»

Всё по теме «ИИ и ML» →

Вопросы о write-code-eval

Как установить write-code-eval в Claude?

Выполните npx skills add ai-evals-course/evals-skills --skill write-code-eval -a claude-code. Скилл окажется в ~/.claude/skills/write-code-eval/SKILL.md.

Что делает write-code-eval?

Помогает написать код-проверку для известного режима отказа с объективным правилом. Возвращает результат и причину в формате вашего eval-фреймворка.

Когда вместо него нужен write-judge-prompt?

Когда правило нельзя проверить кодом и нужна интерпретация. Если у отказа есть и объективная, и интерпретируемая часть, объективную закрывают кодом, остальное отдают судье.

Исходный текст

SKILL.md · Apache-2.0
---
name: write-code-eval
description: >
  Write code evaluators for known failure modes with objective rules. Use when
  code can check the rule from a trace, with or without a reference answer.
  Use `write-judge-prompt` when the rule requires interpretation.
---

# Write a code evaluator

Start with a failure mode found through error analysis. Write one check for that failure mode, much like a unit test that asserts what should hold for each trace.

1. State the rule and identify the trace fields or reference data the check needs. If the rule requires interpretation, use `write-judge-prompt`.
2. Implement the check in the project's language and eval framework. Return a result and a reason in the format that framework expects.
3. Test known passes and failures, including borderline cases. Run the check on available traces and inspect mistakes. If the rule uses a proxy for human judgment, compare its results with human labels.

## Examples

| Failure mode | Possible check |
|---|---|
| Invalid output structure | Parse the output and check required fields |
| Missing or forbidden text | Match a string or pattern |
| Citation not in retrieved documents | Compare cited IDs with retrieved IDs |
| Bad tool call | Check arguments against the tool schema or run the call in a safe test environment |
| Wrong value | Compare the output with a reference value |

Choose the check from the failure rule. For a failure with both objective and interpretive parts, check the objective part with code and use a judge for the rest.

© ai-evals-course · Apache-2.0 · ai-evals-course/evals-skills

Смотрите также

Спонсоры проекта

Компании, которые помогают держать аналитику открытой