agent-eval
affaan-m/ECC
Vergleichen Sie Codierungsdienstleister direkt miteinander anhand reproduzierbarer Aufgaben und anhand von Kennzahlen wie Erfolgsquote, Kosten, Zeitaufwand und Konsistenz.
...Alle erweiternAgent-Bewertung
Ein schlankes CLI-Tool zum direkten Vergleich von Programmieragenten bei reproduzierbaren Aufgaben. Jeder Vergleich nach dem Motto „Welcher Programmieragent ist der beste?“ läuft auf Vibes ab – dieses Tool systematisiert ihn.
Wann sollte man es aktivieren?
- Zum Vergleich von Codierungsagenten (Claude Code, Aider, Codex usw.) anhand Ihrer eigenen Codebasis
- Messung der Agentenleistung vor der Einführung eines neuen Tools oder Modells
- Durchführung von Regressionsprüfungen, wenn ein Agent sein Modell oder seine Tools aktualisiert
- Erstellung datengestützter Entscheidungen zur Agentenauswahl für ein Team
Installation
Hinweis: Installieren Sie „agent-eval“ aus dem Repository, nachdem Sie den Quellcode geprüft haben.
Kernkonzepte
YAML-Aufgabendefinitionen
Definieren Sie Aufgaben deklarativ. Jede Aufgabe legt fest, was zu tun ist, welche Dateien bearbeitet werden sollen und wie der Erfolg bewertet wird:
name: add-retry-logic
description: Add exponential backoff retry to the HTTP client
repo: ./my-project
files:
- src/http_client.py
prompt: |
Add retry logic with exponential backoff to all HTTP requests.
Max 3 retries. Initial delay 1s, max delay 30s.
judge:
- type: pytest
command: pytest tests/test_http_client.py -v
- type: grep
pattern: "exponential_backoff|retry"
files: src/http_client.py
commit: "abc1234" # pin to specific commit for reproducibility
Isolierung des Git-Arbeitsverzeichnisses
Jeder Agent-Lauf erhält einen eigenen Git-Worktree – Docker ist nicht erforderlich. Dies gewährleistet eine Isolation zur Reproduzierbarkeit, sodass sich Agenten nicht gegenseitig stören oder das Basis-Repo beschädigen können.
Erfasste Metriken
| Metrik | Was gemessen wird |
|---|---|
| Erfolgsquote | Hat der Agent Code erzeugt, der die Bewertung besteht? |
| Kosten | API-Kosten pro Aufgabe (sofern verfügbar) |
| Zeit | Sekunden bis zur Fertigstellung (Realzeit) |
| Konsistenz | Erfolgsquote bei wiederholten Durchläufen (z. B. 3/3 = 100 %) |
Ablauf
1. Aufgaben definieren
Erstellen Sie ein tasks/ Verzeichnis mit YAML-Dateien an, eine pro Aufgabe:
mkdir tasks
# Write task definitions (see template above)
2. Agenten ausführen
Führen Sie die Agenten für Ihre Aufgaben aus:
agent-eval run --task tasks/add-retry-logic.yaml --agent claude-code --agent aider --runs 3
Bei jedem Lauf:
- Wird ein neuer Git-Arbeitsbaum aus dem angegebenen Commit erstellt
- Übergibt die Eingabeaufforderung an den Agenten
- Führt die Bewertungskriterien aus
- Erfasst „Bestanden/Nicht bestanden“, Kosten und Zeit
3. Ergebnisse vergleichen
Erstellt einen Vergleichsbericht:
agent-eval report --format table
Task: add-retry-logic (3 runs each)
┌──────────────┬───────────┬────────┬────────┬─────────────┐
│ Agent │ Pass Rate │ Cost │ Time │ Consistency │
├──────────────┼───────────┼────────┼────────┼─────────────┤
│ claude-code │ 3/3 │ $0.12 │ 45s │ 100% │
│ aider │ 2/3 │ $0.08 │ 38s │ 67% │
└──────────────┴───────────┴────────┴────────┴─────────────┘
Bewertungsarten
Code-basiert (deterministisch)
judge:
- type: pytest
command: pytest tests/ -v
- type: command
command: npm run build
Musterbasiert
judge:
- type: grep
pattern: "class.*Retry"
files: src/**/*.py
Modellbasiert (LLM als Richter)
judge:
- type: llm
prompt: |
Does this implementation correctly handle exponential backoff?
Check for: max retries, increasing delays, jitter.
Bewährte Vorgehensweisen
- Beginnen Sie mit 3–5 Aufgaben, die Ihre tatsächliche Arbeitslast widerspiegeln, und nicht mit Spielbeispielen
- Führen Sie mindestens 3 Durchläufe pro Agenten durch, um die Varianz zu erfassen – Agenten verhalten sich nicht deterministisch
- Fixieren Sie den Commit in Ihrer Aufgaben-YAML, damit die Ergebnisse über Tage/Wochen hinweg reproduzierbar sind
- Beziehen Sie pro Aufgabe mindestens einen deterministischen Bewerter (Tests, Build) ein – LLM-Bewerter verursachen Rauschen
- Verfolgen Sie die Kosten parallel zur Erfolgsquote – ein Agent mit 95 % Erfolgsquote, der das 10-Fache an Kosten verursacht, ist möglicherweise nicht die richtige Wahl
- Verwalten Sie Ihre Aufgabendefinitionen in Versionen – sie sind Test-Fixtures, behandeln Sie sie wie Code
Links
- Repository: github.com/joaquinhuigomez/agent-eval
---
name: agent-eval
description: Compare coding agents head-to-head on reproducible tasks with pass rate, cost, time, and consistency metrics.
---
# Agent Eval Skill
A lightweight CLI tool for comparing coding agents head-to-head on reproducible tasks. Every "which coding agent is best?" comparison runs on vibes — this tool systematizes it.
## When to Activate
- Comparing coding agents (Claude Code, Aider, Codex, etc.) on your own codebase
- Measuring agent performance before adopting a new tool or model
- Running regression checks when an agent updates its model or tooling
- Producing data-backed agent selection decisions for a team
## Installation
> **Note:** Install agent-eval from its repository after reviewing the source.
## Core Concepts
### YAML Task Definitions
Define tasks declaratively. Each task specifies what to do, which files to touch, and how to judge success:
```yaml
name: add-retry-logic
description: Add exponential backoff retry to the HTTP client
repo: ./my-project
files:
- src/http_client.py
prompt: |
Add retry logic with exponential backoff to all HTTP requests.
Max 3 retries. Initial delay 1s, max delay 30s.
judge:
- type: pytest
command: pytest tests/test_http_client.py -v
- type: grep
pattern: "exponential_backoff|retry"
files: src/http_client.py
commit: "abc1234" # pin to specific commit for reproducibility
```
### Git Worktree Isolation
Each agent run gets its own git worktree — no Docker required. This provides reproducibility isolation so agents cannot interfere with each other or corrupt the base repo.
### Metrics Collected
| Metric | What It Measures |
|--------|-----------------|
| Pass rate | Did the agent produce code that passes the judge? |
| Cost | API spend per task (when available) |
| Time | Wall-clock seconds to completion |
| Consistency | Pass rate across repeated runs (e.g., 3/3 = 100%) |
## Workflow
### 1. Define Tasks
Create a `tasks/` directory with YAML files, one per task:
```bash
mkdir tasks
# Write task definitions (see template above)
```
### 2. Run Agents
Execute agents against your tasks:
```bash
agent-eval run --task tasks/add-retry-logic.yaml --agent claude-code --agent aider --runs 3
```
Each run:
1. Creates a fresh git worktree from the specified commit
2. Hands the prompt to the agent
3. Runs the judge criteria
4. Records pass/fail, cost, and time
### 3. Compare Results
Generate a comparison report:
```bash
agent-eval report --format table
```
```
Task: add-retry-logic (3 runs each)
┌──────────────┬───────────┬────────┬────────┬─────────────┐
│ Agent │ Pass Rate │ Cost │ Time │ Consistency │
├──────────────┼───────────┼────────┼────────┼─────────────┤
│ claude-code │ 3/3 │ $0.12 │ 45s │ 100% │
│ aider │ 2/3 │ $0.08 │ 38s │ 67% │
└──────────────┴───────────┴────────┴────────┴─────────────┘
```
## Judge Types
### Code-Based (deterministic)
```yaml
judge:
- type: pytest
command: pytest tests/ -v
- type: command
command: npm run build
```
### Pattern-Based
```yaml
judge:
- type: grep
pattern: "class.*Retry"
files: src/**/*.py
```
### Model-Based (LLM-as-judge)
```yaml
judge:
- type: llm
prompt: |
Does this implementation correctly handle exponential backoff?
Check for: max retries, increasing delays, jitter.
```
## Best Practices
- **Start with 3-5 tasks** that represent your real workload, not toy examples
- **Run at least 3 trials** per agent to capture variance — agents are non-deterministic
- **Pin the commit** in your task YAML so results are reproducible across days/weeks
- **Include at least one deterministic judge** (tests, build) per task — LLM judges add noise
- **Track cost alongside pass rate** — a 95% agent at 10x the cost may not be the right choice
- **Version your task definitions** — they are test fixtures, treat them as code
## Links
- Repository: [github.com/joaquinhuigomez/agent-eval](https://github.com/joaquinhuigomez/agent-eval)
Alle Dateien
1 Dateienagent-eval installieren
Laden Sie die Skill-Dateien herunter und entpacken Sie sie in Ihr Verzeichnis „.claude/skills/“.
ZIP herunterladenKlonen Sie das Repository und kopieren Sie die Skill-Dateien in Ihr Projekt.
git clone https://github.com/affaan-m/ECC/tree/main/skills/agent-eval # Copy SKILL.md to your .claude/skills/ directory
Kopieren





Heim
