opção

agent-eval

affaan-m/ECC affaan-m/ECC

Compare diretamente os agentes de codificação em tarefas reproduzíveis, utilizando métricas de taxa de aprovação, custo, tempo e consistência.

...Expandir tudo
0
Tempo atualizado 1 de Outubro de 2026

Habilidade de Avaliação de Agentes

Uma ferramenta CLI leve para comparar agentes de codificação lado a lado em tarefas reproduzíveis. Todas as comparações do tipo “qual agente de codificação é o melhor?” são realizadas no vibes — esta ferramenta sistematiza esse processo.

Quando ativar

  • Ao comparar agentes de codificação (Claude Code, Aider, Codex etc.) em sua própria base de código
  • Avaliar o desempenho de um agente antes de adotar uma nova ferramenta ou modelo
  • Executar verificações de regressão quando um agente atualiza seu modelo ou ferramentas
  • Tomar decisões de seleção de agentes baseadas em dados para uma equipe

Instalação

Observação: instale o `agent-eval` a partir de seu repositório após revisar o código-fonte.

Conceitos básicos

Definições de tarefas em YAML

Defina tarefas de forma declarativa. Cada tarefa especifica o que fazer, quais arquivos devem ser alterados e como avaliar o sucesso:

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

Isolamento da árvore de trabalho do Git

Cada execução do agente recebe sua própria árvore de trabalho do Git — sem necessidade de Docker. Isso proporciona isolamento de reprodutibilidade, de modo que os agentes não possam interferir uns nos outros nem corromper o repositório base.

Métricas coletadas

Métrica O que mede
Taxa de aprovação O agente produziu um código que foi aprovado pelo avaliador?
Custo Gastos com API por tarefa (quando disponível)
Tempo Segundos reais até a conclusão
Consistência Taxa de aprovação em execuções repetidas (por exemplo, 3/3 = 100%)

Fluxo de trabalho

1. Definir tarefas

Crie um tasks/ diretório com arquivos YAML, um por tarefa:

mkdir tasks
# Write task definitions (see template above)

2. Executar agentes

Execute os agentes nas suas tarefas:

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

A cada execução:

  1. Cria uma nova árvore de trabalho do Git a partir do commit especificado
  2. Passa o prompt para o agente
  3. Executa os critérios de avaliação
  4. Registra aprovação/reprovação, custo e tempo

3. Comparar resultados

Gera um relatório de comparação:

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 avaliação

Baseado em código (determinístico)

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

Baseado em padrões

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

Baseado em modelo (LLM como juiz)

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

Melhores práticas

  • Comece com 3 a 5 tarefas que representem sua carga de trabalho real, e não exemplos simplificados
  • Execute pelo menos 3 tentativas por agente para capturar a variação — os agentes são não determinísticos
  • Marque o commit no YAML da sua tarefa para que os resultados sejam reproduzíveis ao longo de dias/semanas
  • Inclua pelo menos um juiz determinístico (testes, compilação) por tarefa — juízes LLM adicionam ruído
  • Acompanhe o custo juntamente com a taxa de aprovação — um agente com 95% de aproveitamento, mas com custo 10 vezes maior, pode não ser a escolha certa
  • Crie versões das definições de suas tarefas — elas são estruturas de teste; trate-as como código

Links

  • Repositório: github.com/joaquinhuigomez/agent-eval
Ver no 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 os arquivos

1 arquivos

Instalar agent-eval

Baixe e extraia os arquivos das habilidades para o diretório .claude/skills/.

Baixar ZIP

Clone o repositório e copie os arquivos da habilidade para o seu projeto.

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

Copiar Copiar
Configuração rápida: Copie a pasta da habilidade para .claude/skills/ O Claude detectará e utilizará automaticamente a habilidade
Repositório affaan-m/ECC

Habilidades relacionadas

web-search
Tempo atualizado 29 de Junho de 2026
webapp-testing
Tempo atualizado 29 de Junho de 2026
lark-base
Tempo atualizado 5 de Julho de 2026
agentmail
Tempo atualizado 29 de Junho de 2026
OR