eval

name	eval
description	Avaliar e classificar resultados dos agentes por métrica ou juiz LLM para uma sessão do AgentHub.
command	/hub:eval
agents	["claude-code"]

/hub:eval — Avaliar Resultados dos Agentes

Classifica todos os resultados dos agentes para uma sessão. Suporta avaliação baseada em métrica (executar um comando), juiz LLM (comparar diffs) ou híbrido.

Uso

/hub:eval                           # Avaliar a sessão mais recente usando critérios configurados
/hub:eval 20260317-143022           # Avaliar sessão específica
/hub:eval --judge                   # Forçar modo juiz LLM (ignorar configuração de métrica)

O Que Faz

Modo Métrica (comando de avaliação configurado)

Executar o comando de avaliação no worktree de cada agente:

python {skill_path}/scripts/result_ranker.py \
  --session {session-id} \
  --eval-cmd "{eval_cmd}" \
  --metric {metric} --direction {direction}

Saída:

RANK  AGENTE      MÉTRICA     DELTA      ARQUIVOS
1     agent-2     142ms       -38ms      2
2     agent-1     165ms       -15ms      3
3     agent-3     190ms       +10ms      1

Vencedor: agent-2 (142ms)

Modo Juiz LLM (sem comando de avaliação, ou flag --judge)

Para cada agente:

1. Obter o diff: git diff {base_branch}...{agent_branch}
2. Ler a postagem de resultado do agente em .agenthub/board/results/agent-{i}-result.md
3. Comparar todos os diffs e classificar por:
   • Correção — Resolve a tarefa?
   • Simplicidade — Menos linhas alteradas é melhor (quando a correção é igual)
   • Qualidade — Execução limpa, boa estrutura, sem regressões

Apresentar classificações com justificativa.

Exemplo de saída do juiz LLM para uma tarefa de conteúdo:

RANK  AGENTE   VEREDICTO                                     CONTAGEM
1     agent-1  Narrativa forte, CTA claro                   1480
2     agent-3  Bons dados, introdução fraca                  1520
3     agent-2  Tom genérico, sem diferenciação               1350

Vencedor: agent-1 (arco narrativo mais forte e chamada para ação)

Modo Híbrido

1. Executar avaliação por métrica primeiro
2. Se os melhores agentes estiverem dentro de 10% um do outro, usar juiz LLM para desempate
3. Apresentar classificações métricas e qualitativas

Após a Avaliação

1. Atualizar estado da sessão:

python {skill_path}/scripts/session_manager.py --update {session-id} --state evaluating

2. Informar ao usuário:
   • Resultados classificados com o vencedor destacado
   • Próximo passo: /hub:merge para mergear o vencedor
   • Ou /hub:merge {session-id} --agent {winner} para ser explícito