Skip to main content

opendatahub-io/agent-eval-harness

SkillsMP ha recopilado 11 skills de opendatahub-io/agent-eval-harness. Abre una skill para revisar su origen y sus detalles.

Última actividad de origen registrada
Catálogo de SkillsMP actualizado
skills recopiladas
11
Estrellas en GitHub
40
Forks en GitHub
43

Mostrando 11 de 11 skills recopiladas.

ocupación
Analistas de garantía de calidad de software y probadores
descripción

Generate eval.yaml for the agent eval harness. Two modes - (1) Skill-based - examines SKILL.md, sub-skills, scripts, test cases to verify implementation quality, OR (2) Prompt-based - tests agent capabilities using custom analysis prompts (documentation…

Idioma del texto original: inglés

actualizado
ocupación
sin clasificar
descripción

Generate evaluation test cases for an eval.yaml. Sources cases per generation.strategy - skill analysis (default), synthetic LLM generation from generation prompts (documentation and agent-capability evals), or MLflow production traces. Bootstraps a starter…

Idioma del texto original: inglés

actualizado
ocupación
sin clasificar
descripción

Execute an evaluation against test cases (skill or prompt mode), score with judges, and report results. Requires eval.yaml (generated by /eval-analyze). Use when the user wants to test a skill, run eval, benchmark, compare models, detect regressions, check…

Idioma del texto original: inglés

actualizado
ocupación
Desarrolladores de software
descripción

MLflow integration for evaluation — sync datasets, log run results, push/pull feedback between the harness and MLflow traces. Use when the user wants to log eval results to MLflow, sync test cases to MLflow datasets, connect judge scores to traces, pull…

Idioma del texto original: inglés

actualizado
ocupación
Científicos de datos
descripción

Run Design-of-Experiments (DoE) evaluations with ANOVA over a matrix of agent configurations — comparing models, thinking-effort levels, prompts, or other factors across shared test cases, with repeated-measures / mixed-effects statistics that account for…

Idioma del texto original: inglés

actualizado
ocupación
Otras ocupaciones informáticas
descripción

Evaluate the full harness configuration as a system. Scans all skills, commands, CLAUDE.md, and hooks for redundancy, overlap, type misclassification, and structural issues. Produces an informational report with restructuring suggestions. Use when the user…

Idioma del texto original: inglés

actualizado
ocupación
Científicos de datos
descripción

Compare evaluation results across multiple models or runs. Takes a directory of eval run artifacts (summary.yaml, run_result.json, HTML reports) and produces a tabbed HTML comparison report with model cards, quality/cost tables, per-case breakdowns, and…

Idioma del texto original: inglés

actualizado
ocupación
Desarrolladores de software
descripción

Automated skill improvement loop. Runs eval, identifies judge failures, reads traces and rationale, edits the SKILL.md to fix issues, re-runs to verify, and checks for regressions. Use when the user wants to automatically improve a skill based on eval…

Idioma del texto original: inglés

actualizado
ocupación
Desarrolladores de software
descripción

Interactive review of evaluation results. Presents judge scores and skill outputs for human feedback, then proposes SKILL.md improvements based on what the user identifies. Use when the user wants to review eval results, look at results, check scores, see…

Idioma del texto original: inglés

actualizado
ocupación
Desarrolladores de software
descripción

Optional environment configurator for the agent-eval-harness. Configures MLflow tracking, verifies API keys, and troubleshoots dependency issues. Detects available skills and agentic documentation (CLAUDE.md, AGENTS.md, ai-docs/) to suggest appropriate…

Idioma del texto original: inglés

actualizado
ocupación
Analistas de garantía de calidad de software y probadores
descripción

Query Jira for bugs in a project and summarize coverage gaps. Test fixture for e2e external-state field detection.

Idioma del texto original: inglés

actualizado
Mostrando 11 de 11 skills recopiladas.