Skip to main content
Ejecuta cualquier Skill en Manus
con un clic

agent-benchmark

Estrellas10
Forks2
Actualizado4 de junio de 2026 a las 21:12

Run agent tasks across multiple LLMs in parallel tmux sessions, score results with a weighted rubric, track improvements over time in JSONL, and generate harness improvement recommendations. Use when comparing model performance, evaluating harness changes, or identifying agent failure patterns at scale.

Instalación

Instalar con Codex o Claude Copia este prompt, pégalo en Codex, Claude u otro asistente, y deja que revise la página de la skill y la instale por ti.

Explorador de archivos
6 archivos
SKILL.md
readonly