agent-eval
affaan-m/ECC
Сравните кодирующие агенты в прямом сравнении по воспроизводимым задачам с использованием таких показателей, как процент успешного выполнения, стоимость, время и стабильность.
...Расширить всеНавык «Оценка агентов»
Легкая утилита командной строки для непосредственного сравнения агентов кодирования при выполнении воспроизводимых задач. Каждое сравнение по типу «какой агент кодирования лучше?» проводится на платформе vibes — данная утилита позволяет систематизировать этот процесс.
Когда использовать
- Сравнение агентов кодирования (Claude Code, Aider, Codex и т. д.) на вашей собственной кодовой базе
- Оценка производительности агента перед внедрением нового инструмента или модели
- Проведение регрессионных проверок, когда агент обновляет свою модель или инструментарий
- Принятие обоснованных данными решений по выбору агента для команды
Установка
Примечание: Установите agent-eval из репозитория после ознакомления с исходным кодом.
Основные концепции
Определения задач в YAML
Описывайте задачи декларативно. Каждая задача определяет, что нужно сделать, какие файлы затронуть и как оценить успех:
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
Изоляция рабочего дерева Git
Каждый запуск агента получает собственное рабочее дерево Git — Docker не требуется. Это обеспечивает изоляцию, позволяющую воспроизводить результаты, благодаря чему агенты не могут мешать друг другу или повредить базовый репозиторий.
Собранные метрики
| Метрика | Что измеряет |
|---|---|
| Процент успешных прохождений | Создал ли агент код, который прошел проверку судьей? |
| Стоимость | Расходы на API на задачу (если доступно) |
| Время | Количество секунд до завершения |
| Стабильность | Процент успешных прогонов при повторных попытках (например, 3/3 = 100%) |
Рабочий процесс
1. Определение задач
Создайте tasks/ каталог с файлами YAML, по одному на каждую задачу:
mkdir tasks
# Write task definitions (see template above)
2. Запустите агенты
Запустите агенты для выполнения ваших задач:
agent-eval run --task tasks/add-retry-logic.yaml --agent claude-code --agent aider --runs 3
Каждый запуск:
- Создаётся новое рабочее дерево Git на основе указанного коммита
- Передает управление агенту
- Выполняет проверку по критериям оценки
- Регистрирует результат (прошел/не прошел), затраты и время
3. Сравнение результатов
Генерирует отчёт о сравнении:
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% │
└──────────────┴───────────┴────────┴────────┴─────────────┘
Типы оценки
На основе кода (детерминированные)
judge:
- type: pytest
command: pytest tests/ -v
- type: command
command: npm run build
На основе шаблонов
judge:
- type: grep
pattern: "class.*Retry"
files: src/**/*.py
На основе модели (LLM в качестве судьи)
judge:
- type: llm
prompt: |
Does this implementation correctly handle exponential backoff?
Check for: max retries, increasing delays, jitter.
Рекомендации
- Начните с 3–5 задач, которые отражают вашу реальную рабочую нагрузку, а не являются простыми примерами
- Проведите не менее 3 прогонов для каждого агента, чтобы учесть вариацию — агенты работают недетерминированно
- Закрепите коммит в YAML-файле задачи, чтобы результаты были воспроизводимыми на протяжении нескольких дней/недель
- Включите как минимум одного детерминированного судью (тесты, сборка) на каждую задачу — судьи LLM добавляют шум
- Отслеживайте затраты наряду с процентом успешного выполнения — агент с успешностью 95%, но с затратами в 10 раз выше, может оказаться не лучшим выбором
- Создавайте версии определений задач — они являются тестовыми фиксациями, относитесь к ним как к коду
Ссылки
- Репозиторий: 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)
Все файлы
1 файловУстановить agent-eval
Скачайте файлы навыков и распакуйте их в каталог .claude/skills/.
Скачать ZIPКлонируйте репозиторий и скопируйте файлы навыка в свой проект.
git clone https://github.com/affaan-m/ECC/tree/main/skills/agent-eval # Copy SKILL.md to your .claude/skills/ directory
Копировать





Дом
