opción

agent-eval

affaan-m/ECC affaan-m/ECC

Compara directamente los agentes de codificación en tareas reproducibles utilizando métricas de tasa de aprobación, coste, tiempo y consistencia.

...Expandir todo
0
Tiempo actualizado 1 de octubre de 2026

Habilidad de evaluación de agentes

Una herramienta CLI ligera para comparar agentes de programación cara a cara en tareas reproducibles. Todas las comparaciones del tipo «¿qué agente de programación es el mejor?» se realizan en Vibes; esta herramienta las sistematiza.

Cuándo activarla

  • Para comparar agentes de programación (Claude Code, Aider, Codex, etc.) en tu propio código fuente
  • Medir el rendimiento de un agente antes de adoptar una nueva herramienta o modelo
  • Realizar comprobaciones de regresión cuando un agente actualiza su modelo o sus herramientas
  • Tomar decisiones de selección de agentes basadas en datos para un equipo

Instalación

Nota: Instala agent-eval desde su repositorio tras revisar el código fuente.

Conceptos básicos

Definiciones de tareas en YAML

Define las tareas de forma declarativa. Cada tarea especifica qué hay que hacer, qué archivos hay que modificar y cómo evaluar si se ha completado con éxito:

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

Aislamiento del árbol de trabajo de Git

Cada ejecución de un agente dispone de su propio árbol de trabajo de Git, sin necesidad de Docker. Esto proporciona aislamiento para garantizar la reproducibilidad, de modo que los agentes no puedan interferir entre sí ni corromper el repositorio base.

Métricas recopiladas

Métrica Qué mide
Índice de aprobados ¿Ha generado el agente un código que supera la evaluación del juez?
Coste Gasto en API por tarea (cuando esté disponible)
Tiempo Segundos de reloj real hasta la finalización
Consistencia Índice de superación en ejecuciones repetidas (p. ej., 3/3 = 100 %)

Flujo de trabajo

1. Definir tareas

Crea un tasks/ directorio con archivos YAML, uno por tarea:

mkdir tasks
# Write task definitions (see template above)

2. Ejecutar agentes

Ejecuta los agentes para tus tareas:

agent-eval run --task tasks/add-retry-logic.yaml --agent claude-code --agent aider --runs 3

En cada ejecución:

  1. Crea un nuevo árbol de trabajo de Git a partir de la confirmación especificada
  2. Cede el control al agente
  3. Ejecuta los criterios de evaluación
  4. Registra si se ha superado o fallado, el coste y el tiempo

3. Comparar resultados

Genera un informe comparativo:

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%        │
└──────────────┴───────────┴────────┴────────┴─────────────┘

Tipos de evaluación

Basados en código (determinísticos)

judge:
  - type: pytest
    command: pytest tests/ -v
  - type: command
    command: npm run build

Basado en patrones

judge:
  - type: grep
    pattern: "class.*Retry"
    files: src/**/*.py

Basado en modelos (LLM como juez)

judge:
  - type: llm
    prompt: |
      Does this implementation correctly handle exponential backoff?
      Check for: max retries, increasing delays, jitter.

Buenas prácticas

  • Empieza con entre 3 y 5 tareas que representen tu carga de trabajo real, no con ejemplos simplificados
  • Realiza al menos tres pruebas por agente para captar la varianza: los agentes no son determinísticos
  • Fija la confirmación en el archivo YAML de tu tarea para que los resultados sean reproducibles a lo largo de días o semanas
  • Incluye al menos un evaluador determinista (pruebas, compilación) por tarea: los evaluadores LLM añaden ruido
  • Realiza un seguimiento del coste junto con la tasa de superación: un agente con un 95 % de éxito pero que cuesta 10 veces más puede que no sea la opción adecuada
  • Controla las versiones de las definiciones de tus tareas: son plantillas de prueba, trátalas como si fueran código

Enlaces

  • Repositorio: github.com/joaquinhuigomez/agent-eval
Ver en GitHub
---
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)

Todos los archivos

1 archivos

Instalar agent-eval

Descarga y descomprime los archivos de habilidades en tu directorio .claude/skills/.

Descargar ZIP

Clona el repositorio y copia los archivos de la habilidad a tu proyecto.

git clone https://github.com/affaan-m/ECC/tree/main/skills/agent-eval # Copy SKILL.md to your .claude/skills/ directory

Copiar Copiar
Configuración rápida: Copia la carpeta de la habilidad en .claude/skills/ Claude detectará y utilizará automáticamente la habilidad
Repositorio affaan-m/ECC

Habilidades relacionadas

web-search
Tiempo actualizado 29 de junio de 2026
webapp-testing
Tiempo actualizado 29 de junio de 2026
lark-base
Tiempo actualizado 5 de julio de 2026
agentmail
Tiempo actualizado 29 de junio de 2026
OR