option

agent-eval

affaan-m/ECC affaan-m/ECC

Comparez directement les agents de codage sur des tâches reproductibles à l'aide d'indicateurs tels que le taux de réussite, le coût, le temps et la cohérence.

...Développer tout
0
Heure mise à jour 1 octobre 2026

Agent Eval Skill

Un outil CLI léger permettant de comparer directement des agents de codage sur des tâches reproductibles. Toutes les comparaisons du type « quel agent de codage est le meilleur ? » s’effectuent sur vibes — cet outil permet de systématiser ce processus.

Quand l'activer

  • Pour comparer des agents de codage (Claude Code, Aider, Codex, etc.) sur votre propre base de code
  • Évaluer les performances d’un agent avant d’adopter un nouvel outil ou un nouveau modèle
  • Effectuer des contrôles de régression lorsqu’un agent met à jour son modèle ou ses outils
  • Prendre des décisions de sélection d’agents fondées sur des données pour une équipe

Installation

Remarque : installez agent-eval à partir de son dépôt après avoir examiné le code source.

Concepts fondamentaux

Définitions de tâches YAML

Définissez les tâches de manière déclarative. Chaque tâche précise ce qu’il faut faire, quels fichiers modifier et comment évaluer la réussite :

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

Isolation de l’arborescence de travail Git

Chaque exécution d’agent dispose de son propre arborescence de travail Git — aucun Docker n’est nécessaire. Cela garantit l’isolation et la reproductibilité, de sorte que les agents ne peuvent pas interférer les uns avec les autres ni corrompre le dépôt de base.

Métriques collectées

Métrique Ce qu’elle mesure
Taux de réussite L’agent a-t-il généré un code qui satisfait aux critères d’évaluation ?
Coût Dépenses liées à l’API par tâche (le cas échéant)
Temps Nombre de secondes écoulées jusqu’à l’achèvement
Cohérence Taux de réussite sur plusieurs exécutions successives (par ex., 3/3 = 100 %)

Flux de travail

1. Définir les tâches

Créez un tasks/ répertoire contenant des fichiers YAML, un par tâche :

mkdir tasks
# Write task definitions (see template above)

2. Exécuter les agents

Exécutez les agents sur vos tâches :

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

À chaque exécution :

  1. Crée une nouvelle arborescence Git à partir du commit spécifié
  2. Transmet l'invite de commande à l'agent
  3. Exécute les critères d'évaluation
  4. Enregistre les résultats (réussite/échec), le coût et la durée

3. Comparer les résultats

Génère un rapport de comparaison :

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

Types d'évaluation

Basé sur le code (déterministe)

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

Basé sur les modèles

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

Basé sur un modèle (LLM comme juge)

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

Bonnes pratiques

  • Commencez par 3 à 5 tâches représentatives de votre charge de travail réelle, et non par des exemples simplistes
  • Effectuez au moins 3 essais par agent pour capturer la variance — les agents sont non déterministes
  • Fixez le commit dans votre fichier YAML de tâches afin que les résultats soient reproductibles au fil des jours et des semaines
  • Incluez au moins un juge déterministe (tests, build) par tâche — les juges LLM ajoutent du bruit
  • Suivez le coût parallèlement au taux de réussite : un agent à 95 % dont le coût est 10 fois plus élevé n’est peut-être pas le bon choix
  • Gérez les versions de vos définitions de tâches — ce sont des fixtures de test, traitez-les comme du code

Liens

  • Dépôt : github.com/joaquinhuigomez/agent-eval
Voir sur 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)

Tous les fichiers

1 fichiers

Installer agent-eval

Téléchargez et décompressez les fichiers de compétences dans votre répertoire .claude/skills/.

Télécharger le ZIP

Clonez le dépôt et copiez les fichiers de compétence dans votre projet.

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

Copier Copier
Configuration rapide: Copiez le dossier de la compétence dans .claude/skills/ Claude détectera automatiquement la compétence et l'utilisera
Dépôt affaan-m/ECC

Compétences similaires

web-search
Heure mise à jour 29 juin 2026
webapp-testing
Heure mise à jour 29 juin 2026
lark-base
Heure mise à jour 5 juillet 2026
agentmail
Heure mise à jour 29 juin 2026
OR