eval-harness

# Eval Harness 技能 一个用于 Claude Code 会话的正式评估框架，实现了评估驱动开发 (EDD) 原则。 ## 何时激活 * 为 AI 辅助工作流程设置评估驱动开发 (EDD) * 定义 Claude Code 任务完成的标准（通过/失败） * 使用 pass@k 指标衡量代理可靠性 * 为提示或代理变更创建回归测试套件 * 跨模型版本对代理性能进行基准测试 ## 理念 评估驱动开发将评估视为 "AI 开发的单元测试"： * 在实现 **之前** 定义预期行为 * 在开发过程中持续运行评估 * 跟踪每次更改的回归情况 * 使用 pass@k 指标来衡量可靠性 ## 评估类型 ### 能力评估 测试 Claude 是否能完成之前无法完成的事情： ```markdown [能力评估：功能名称] 任务：描述 Claude 应完成的工作 成功标准： - [ ] 标准 1 - [ ] 标准 2 - [ ] 标准 标准 3 预期输出：对预期结果的描述 ``` ### 回归评估 确保更改不会破坏现有功能： ```markdown [回归评估：功能名称] 基线：SHA 或检查点名称 测试： - 现有测试-1：通过/失败 - 现有测试-2：通过/失败 - 现有测试-3：通过/失败 结果：X/Y 通过（之前为 Y/Y） ``` ## 评分器类型 ### 1. 基于代码的评分器 使用代码进行确定性检查： ```bash # Check if file contains expected pattern grep -q "export function handleAuth" src/auth.ts && echo "PASS" || echo "FAIL" # Check if tests pass npm test -- --testPathPattern="auth" && echo "PASS" || echo "FAIL" # Check if build succeeds npm run build && echo "PASS" || echo "FAIL" ``` ### 2. 基于模型的评分器 使用 Claude 来评估开放式输出： ```markdown [MODEL GRADER PROMPT] 评估以下代码变更： 1. 它是否解决了所述问题？ 2. 它的结构是否良好？ 3. 是否处理了边界情况？ 4. 错误处理是否恰当？ 评分：1-5 (1=差，5=优秀) 推理：[解释] ``` ### 3. 人工评分器 标记为需要手动审查： ```markdown [HUMAN REVIEW REQUIRED] 变更：对更改内容的描述 原因：为何需要人工审核 风险等级：低/中/高 ``` ## 指标 ### pass@k "k 次尝试中至少成功一次" * pass@1：首次尝试成功率 * pass@3：3 次尝试内成功率 * 典型目标：pass@3 > 90% ### pass^k "所有 k 次试验都成功" * 更高的可靠性门槛 * pass^3：连续 3 次成功 * 用于关键路径 ## 评估工作流程 ### 1. 定义（编码前） ```markdown ## 评估定义：功能-xyz ### 能力评估 1. 可以创建新用户账户 2. 可以验证电子邮件格式 3. 可以安全地哈希密码 ### 回归评估 1. 现有登录功能仍然有效 2. 会话管理未改变 3. 注销流程完整 ### 成功指标 - 能力评估的 pass@3 > 90% - 回归评估的 pass^3 = 100% ``` ### 2. 实现 编写代码以通过已定义的评估。 ### 3. 评估 ```bash # Run capability evals [Run each capability eval, record PASS/FAIL] # Run regression evals npm test -- --testPathPattern="existing" # Generate report ``` ### 4. 报告 ```markdown 评估报告：功能-xyz ======================== 能力评估： 创建用户： 通过（通过@1） 验证邮箱： 通过（通过@2） 哈希密码： 通过（通过@1） 总计： 3/3 通过 回归评估： 登录流程： 通过 会话管理： 通过 登出流程： 通过 总计： 3/3 通过 指标： 通过@1： 67% (2/3) 通过@3： 100% (3/3) 状态：准备就绪，待审核 ``` ## 集成模式 ### 实施前 ``` /eval define feature-name ``` 在 `.claude/evals/feature-name.md` 处创建评估定义文件 ### 实施过程中 ``` /eval check feature-name ``` 运行当前评估并报告状态 ### 实施后 ``` /eval 报告 功能名称 ``` 生成完整的评估报告 ## 评估存储 将评估存储在项目中： ``` .claude/ evals/ feature-xyz.md # Eval定义 feature-xyz.log # Eval运行历史 baseline.json # 回归基线 ``` ## 最佳实践 1. **在编码前定义评估** - 强制清晰地思考成功标准 2. **频繁运行评估** - 及早发现回归问题 3. **随时间跟踪 pass@k** - 监控可靠性趋势 4. **尽可能使用代码评分器** - 确定性 > 概率性 5. **对安全性进行人工审查** - 永远不要完全自动化安全检查 6. **保持评估快速** - 缓慢的评估不会被运行 7. **评估与代码版本化** - 评估是一等工件 ## 示例：添加身份验证 ```markdown ## EVAL：添加身份验证 ### 第 1 阶段：定义 (10 分钟) 能力评估： - [ ] 用户可以使用邮箱/密码注册 - [ ] 用户可以使用有效凭证登录 - [ ] 无效凭证被拒绝并显示适当的错误 - [ ] 会话在页面重新加载后保持 - [ ] 登出操作清除会话 回归评估： - [ ] 公共路由仍可访问 - [ ] API 响应未改变 - [ ] 数据库模式兼容 ### 第 2 阶段：实施 (时间不定) [编写代码] ### 第 3 阶段：评估 运行：/eval check add-authentication ### 第 4 阶段：报告 评估报告：添加身份验证 ============================== 能力：5/5 通过 (pass@3: 100%) 回归：3/3 通过 (pass^3: 100%) 状态：可以发布 ``` ## 产品评估 (v1.8) 当单元测试无法单独捕获行为质量时，使用产品评估。 ### 评分器类型 1. 代码评分器（确定性断言） 2. 规则评分器（正则表达式/模式约束） 3. 模型评分器（LLM 作为评判者的评估准则） 4. 人工评分器（针对模糊输出的人工裁定） ### pass@k 指南 * `pass@1`：直接可靠性 * `pass@3`：受控重试下的实际可靠性 * `pass^3`：稳定性测试（所有 3 次运行必须通过） 推荐阈值： * 能力评估：pass@3 >= 0.90 * 回归评估：对于发布关键路径，pass^3 = 1.00 ### 评估反模式 * 将提示过度拟合到已知的评估示例 * 仅测量正常路径输出 * 在追求通过率时忽略成本和延迟漂移 * 在发布关卡中允许不稳定的评分器 ### 最小评估工件布局 * `.claude/evals/<feature>.md` 定义 * `.claude/evals/<feature>.log` 运行历史 * `docs/releases/<version>/eval-summary.md` 发布快照