вариант

agent-eval

affaan-m/ECC 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 все
0
Обновлено время 1 октября 2026 г.

Навык «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:

  1. Создаётся новое рабочее дерево Git на основе указанного коммита
  2. Передает управление агенту
  3. Выполняет проверку по критериям оценки
  4. 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
Посмотреть на 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)

Все файлы

1 файлов

Установить agent-eval

Скачайте файлы навыков и распакуйте их в каталог .claude/skills/.

Скачать ZIP

Клонируйте 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 Копировать
Быстрая настройка: Скопируйте папку со скиллом в каталог .claude/skills/ Claude автоматически обнаружит и начнет использовать этот скилл
Репозиторий affaan-m/ECC

Похожие навыки

web-search
Обновлено время 29 июня 2026 г.
webapp-testing
Обновлено время 29 июня 2026 г.
lark-base
Обновлено время 5 июля 2026 г.
agentmail
Обновлено время 29 июня 2026 г.
OR