agent-eval

原文涵盖的主题

• Agent Eval 技能
• 何时使用
• 安装
• 核心概念
• YAML 任务定义
• Git 工作树隔离
• 收集的指标
• 工作流程

一个轻量级 CLI 工具，用于在可复现的任务上对编码代理进行头对头比较。每个“哪个编码代理最好？”的比较都基于感觉——本工具将其系统化。 在你自己的代码库上比较编码代理（Claude Code、Aider、Codex 等） 在采用新工具或模型之前衡量代理性能 当代理更新其模型或工具时运行回归检查 为团队做出数据支持的代理选择决策 以声明方式定义任务。每个任务指定要做什么、要修改哪些文件以及如何判断成功： 每个代理运行都获得自己的 git 工作树——无需 Docker。这提供了可复现的隔离，使得代理之间不会相互干扰或损坏基础仓库。 | 指标 | 衡量内容 | |--------|-----------------| | 通过率 | 代理生成的代码是否通过了判断？ | | 成本 | 每个任务的 API 花费（如果可用） | | 时间 | 完成所需的挂钟秒数 | | 一致性 | 跨重复运行的通过率（例如，3/3 = 100%） | 创建一个 tasks/ 目录，其中包含 YAML 文件，每个任务一个文件： 针对你的任务执行代理： 每次运行： 1. 从指定的提交创建一个新的 git 工作树 2. 将提示交给代理 3. 运行判断标准 4. 记录通过/失败、成本和时间 生成比较报告： 从 3-5 个任务开始，这些任务代表你的真实工作负载，而非玩具示例 每个代理至少运行 3 次试验以捕捉方差——代理是非确定性的 在你的任务 YAML 中固定提交，以便结果在数天/数周内可复现 每个任务至少包含一个确定性判断器（测试、构建）——LLM 判断器会增加噪音 跟踪成本与通过率——一个通过率 95% 但成本高出 10 倍的代理可能不是正确的选择 对你的任务定义进行版本控制——它们是测试夹具，应将其视为代码 仓库：github.com/joaquinhuigomez/agent-eval