| name | agent-eval |
| description | 在自定义任务上对编码智能体（Claude Code、Aider、Codex 等）进行头对头比较，包含通过率、成本、时间和一致性指标 |
| origin | ECC |
| tools | Read, Write, Edit, Bash, Grep, Glob |
智能体评估技能
一个轻量级 CLI 工具，用于在可重现任务上对编码智能体进行头对头比较。每个"哪个编码智能体最好？"的比较都基于氛围 — 此工具将其系统化。
何时激活
- 在您自己的代码库上比较编码智能体（Claude Code、Aider、Codex 等）
- 在采用新工具或模型之前测量智能体性能
- 当智能体更新其模型或工具时运行回归检查
- 为团队生成数据支持的智能体选择决策
安装
注意： 在审查源代码后从其存储库安装 agent-eval。
核心概念
YAML 任务定义
声明式定义任务。每个任务指定做什么、触摸哪些文件以及如何判断成功：
name: add-retry-logic
description: 为 HTTP 客户端添加指数退避重试
repo: ./my-project
files:
- src/http_client.py
prompt: |
为所有 HTTP 请求添加指数退避的重试逻辑。
最多 3 次重试。初始延迟 1 秒，最大延迟 30 秒。
judge:
- type: pytest
command: pytest tests/test_http_client.py -v
- type: grep
pattern: "exponential_backoff|retry"
files: src/http_client.py
commit: "abc1234"
Git 工作树隔离
每个智能体运行都有自己的 git 工作树 — 不需要 Docker。这提供了可重现性隔离，因此智能体不会相互干扰或损坏基础存储库。
收集的指标
| 指标 | 衡量内容 |
|---|
| 通过率 | 智能体是否产生通过判断器的代码？ |
| 成本 | 每项任务的 API 开销（如果可用） |
| 时间 | 完成的墙钟秒数 |
| 一致性 | 重复运行的通过率（例如，3/3 = 100%） |
工作流程
1. 定义任务
创建一个 tasks/ 目录，每个任务一个 YAML 文件：
mkdir tasks
2. 运行智能体
针对您的任务执行智能体：
agent-eval run --task tasks/add-retry-logic.yaml --agent claude-code --agent aider --runs 3
每次运行：
- 从指定提交创建新的 git 工作树
- 将提示传递给智能体
- 运行判断器标准
- 记录通过/失败、成本和时间
3. 比较结果
生成比较报告：
agent-eval report --format table
Task: add-retry-logic (各运行 3 次)
┌──────────────┬───────────┬────────┬────────┬─────────────┐
│ Agent │ Pass Rate │ Cost │ Time │ Consistency │
├──────────────┼───────────┼────────┼────────┼─────────────┤
│ claude-code │ 3/3 │ $0.12 │ 45s │ 100% │
│ aider │ 2/3 │ $0.08 │ 38s │ 67% │
└──────────────┴───────────┴────────┴────────┴─────────────┘
判断器类型
基于代码（确定性）
judge:
- type: pytest
command: pytest tests/ -v
- type: command
command: npm run build
基于模式
judge:
- type: grep
pattern: "class.*Retry"
files: src/**/*.py
基于模型（LLM 作为判断器）
judge:
- type: llm
prompt: |
此实现是否正确处理指数退避？
检查：最大重试次数、递增延迟、抖动。
最佳实践
- 从 3-5 个任务开始，代表您真实的工作负载，而非玩具示例
- 每个智能体至少运行 3 次试验以捕获方差 — 智能体是非确定性的
- 在任务 YAML 中固定提交，以便结果在数天/数周内可重现
- 每个任务至少包含一个确定性判断器（测试、构建）— LLM 判断器增加噪声
- 与通过率一起跟踪成本 — 95% 的智能体但成本 10 倍可能不是正确的选择
- 对任务定义进行版本控制 — 它们是测试夹具，将其视为代码
链接
