agent-eval
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 toutAgent 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 :
- Crée une nouvelle arborescence Git à partir du commit spécifié
- Transmet l'invite de commande à l'agent
- Exécute les critères d'évaluation
- 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
---
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 fichiersInstaller agent-eval
Téléchargez et décompressez les fichiers de compétences dans votre répertoire .claude/skills/.
Télécharger le ZIPClonez 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





Maison
