erp-mock-batch-eval职业分类未分类描述对当前固定30道ERP题使用离线mock和指定harness、Agent模型、Judge模型做批量评测,生成逐题配置、预检、直接使用Harbor执行并汇总单轮及多轮结果。支持全批和明确指定的子集。安装环境用lg-bench-setup,修改题目或mock数据不属于本skill。更新2026-10-21
lg-bench-setup职业分类未分类描述帮外部用户从刚 clone 的 Lingee Bench 仓库一路做到出成绩:装环境、从 Hugging Face 下载题集、构建代理/harness/ERP mock 镜像、配模型凭据、选 job、预检与 oracle/nop 基线、真实运行,最后按评分状态分桶汇总成绩。覆盖示例题冒烟、通用题集 35 题批跑和 ERP 30 题批跑。用户提到安装、上手、快速开始、下载题集、配置 harness/模型/凭据、跑冒烟、跑批、评分汇总时使用。更新2026-10-21
score-incident-triage职业分类未分类描述真实评测批次出现意外低分、异常分桶、单题reward与人工阅读最终回复的判断明显不符、judge理由与证据对不上,或用户问"这题为啥0分/numeric为0,是缺数据还是agent做不对"时使用。numeric=0或reward=0的题优先按零分异质桶拆解归因。站在出题人立场区分数据、候选、评分器及题目设计问题,按纪律修复评分器并验证;不为特定harness开后门,不在批次运行中改题面。跑批与汇总本身用erp-mock-batch-eval;本skill只管事故归因与处置。更新2026-10-21