Скиллы и MCP с тегом «evaluation»

repo-intake-and-plan lllllllama скилл Сканирует репозиторий по README, собирает команды и предлагает минимальный план воспроизведения. Нужен до запуска экспериментов. Claude Code CX Codex Cursor +1 474 500установок llm-evaluation Seth Hobson скилл 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. Claude Code CX Codex Cursor 12 755установок eval-driven-dev официальный github скилл Настраивает сквозную оценку Python-приложений с LLM: критерии, тестовые данные и проверку результатов. Нужен при QA, бенчмарках и поиске неверных ответов. GitHub Copilot 3 900установок arize-dataset официальный arize скилл Скилл управляет датасетами Arize и примерами через ax. Он пригодится для тестовых наборов и оценки AI-приложений. GitHub Copilot 1 100установок setup Alireza Rezvani скилл Собирает настройки эксперимента autoresearch: цель, файл, команду оценки, метрику и направление улучшения. Пригодится, когда вы хотите запустить цикл оптимизации файла. Claude Code 1 480установок eval Alireza Rezvani скилл Оценивает и ранжирует результаты работы агентов AgentHub по метрикам или с помощью LLM-судьи. Помогает выбрать лучшее решение сессии. Claude Code 1 408установок arize-ax официальный Arize AI плагин Плагин добавляет навыки Arize AX для трассировки, оценки и настройки LLM-приложений. Пригодится для анализа traces, экспериментов и prompt optimization. GitHub Copilot ★ 40 369звёзд репо