agent-eval
affaan-m/ECC
再現可能なタスクを用いて、コーディングエージェントを直接比較し、合格率、コスト、所要時間、一貫性といった指標を評価します。
...すべて拡張しますエージェント評価スキル
再現性のあるタスクにおいて、コーディングエージェントを直接比較するための軽量なCLIツールです。「どのコーディングエージェントが最適か?」という比較はすべてvibes上で実行されますが、このツールはそのプロセスを体系化します。
いつ活用すべきか
- 自社のコードベースにおいて、コーディングエージェント(Claude Code、Aider、Codexなど)を比較する場合
- 新しいツールやモデルを導入する前に、エージェントのパフォーマンスを測定する場合
- エージェントがモデルやツールを更新した際の回帰テストの実施
- チーム向けに、データに基づいたエージェント選定の意思決定を行う際
インストール
注:ソースコードを確認した後、リポジトリからagent-evalをインストールしてください。
基本概念
YAML タスク定義
タスクを宣言的に定義します。各タスクでは、実行内容、対象となるファイル、および成功の判定方法を指定します:
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 ワークツリーの分離
各エージェントの実行には独自のGitワークツリーが割り当てられます。Dockerは不要です。これにより再現性を確保した分離が実現され、エージェント同士が干渉したり、ベースリポジトリを破損させたりすることがありません。
収集されるメトリクス
| メトリクス | 測定対象 |
|---|---|
| 合格率 | エージェントが生成したコードは、ジャッジを通過したか? |
| コスト | タスクあたりのAPI利用コスト(利用可能な場合) |
| 所要時間 | 完了までの実時間(秒) |
| 一貫性 | 繰り返し実行における合格率(例:3/3 = 100%) |
ワークフロー
1. タスクの定義
YAMLファイルを含む tasks/ ディレクトリを作成し、タスクごとに1つずつYAMLファイルを配置します:
mkdir tasks
# Write task definitions (see template above)
2. エージェントの実行
タスクに対してエージェントを実行します:
agent-eval run --task tasks/add-retry-logic.yaml --agent claude-code --agent aider --runs 3
各実行で:
- 指定されたコミットから新しいGitワークツリーを作成し
- エージェントにプロンプトを渡します
- 判定基準を実行します
- 合格/不合格、コスト、および所要時間を記録します
3. 結果の比較
比較レポートを生成します:
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% │
└──────────────┴───────────┴────────┴────────┴─────────────┘
判定の種類
コードベース(決定論的)
judge:
- type: pytest
command: pytest tests/ -v
- type: command
command: npm run build
パターンベース
judge:
- type: grep
pattern: "class.*Retry"
files: src/**/*.py
モデルベース(LLMを判定者として利用)
judge:
- type: llm
prompt: |
Does this implementation correctly handle exponential backoff?
Check for: max retries, increasing delays, jitter.
ベストプラクティス
- 単純な例ではなく、実際のワークロードを反映した3~5つのタスクから始める
- エージェントごとに少なくとも3回の試行を実行し、ばらつきを捉えること — エージェントは非決定論的である
- タスクのYAMLファイルでコミットを固定し、結果が数日・数週間にわたって再現可能になるようにする
- タスクごとに少なくとも1つの確定的なジャッジ(テスト、ビルド)を含めること — LLMジャッジはノイズを加える
- 合格率とともにコストも追跡してください。コストが10倍かかる95%のエージェントは、必ずしも適切な選択とは限りません
- タスク定義にはバージョン管理を行ってください。これらはテストフィクスチャであり、コードとして扱う必要があります
リンク
- リポジトリ: 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)
すべてのファイル
1件のファイルagent-evalをインストール
スキルファイルをダウンロードし、.claude/skills/ ディレクトリに解凍してください。
ZIPをダウンロードリポジトリをクローンし、スキルファイルをプロジェクトにコピーしてください。
git clone https://github.com/affaan-m/ECC/tree/main/skills/agent-eval # Copy SKILL.md to your .claude/skills/ directory
コピー





家
