SKILLEMALL.ai
EN Войти

BD ai-llm-evaluation

Практическое руководство по оценке качества LLM-приложений и регрессионному тестированию — от «ощущается хорошо» до «измеримо и контролируемо»: обзор оценки и система показателей (правильность/релевантность/точность/уровень галлюцинаций/робастность/эффективность), создание наборов данных для оценки (золотые наборы данных/контрпримеры/наборы данных для конкретных областей/оценка масштаба), оценка RAG-систем (четыре показателя RAGAS: точность/релевантность ответа/точность контекста/полнота контекста), обнаружение и измерение галлюцинаций (фактические галлюцинации/галлюцинации подсказок/классификация и методы обнаружения противоречий в контексте), регрессионное тестирование промптов (управление тестовыми случаями/контроль регрессии/обнаружение дрейфа/сравнение версий), сравнение и выбор моделей (матрица оценки/баланс стоимости и качества/A/B тестирование нескольких моделей/решение о запуске), конвейер оценки и отчеты (автоматизированная оценка/агрегация оценок/шаблон отчета/контроль запуска). Включает инструменты для локального расчета показателей без зависимостей, создания наборов данных для оценки, просмотра показателей RAG, создания матриц сравнения и шаблонов отчетов. Предназначено для инженеров ИИ, тестировщиков, менеджеров по продуктам и качеству — дополняет тестирование безопасности ИИ (тестирование безопасности), этот навык тестирует качество. Ориентировано на инженеров ИИ, тестировщиков, менеджеров по продуктам и качеству — дополняет тестирование безопасности ИИ (тестирование безопасности), этот навык тестирует качество.

машинный переводПоказать оригиналСкрыть оригинал«LLM 应用质量评测与回归测试实操手册——从"感觉不错"到"可度量可门禁"：评测全景与指标体系（正确性/相关性/忠实度/幻觉率/鲁棒性/效率…»

LLM 应用质量评测与回归测试实操手册——从"感觉不错"到"可度量可门禁"：评测全景与指标体系（正确性/相关性/忠实度/幻觉率/鲁棒性/效率）、评测集构建（黄金数据集/对抗样本/领域评测集/规模估算）、RAG 系统评测（RAGAS 四指标：忠实度/答案相关性/上下文精度/上下文召回）、幻觉检测与度量（事实性幻觉/提示幻觉/上下文矛盾分类与检测方法）、Prompt 回归测试（用例管理/回归门禁/漂移检测/版本对比）、模型对比选型（评测矩阵/成本质量权衡/多模型 A-B/上线决策）、评测流水线与报告（自动化评测/评分聚合/报告模板/上线门禁）。附零依赖本地工具一键查指标、建评测集清单、看 RAG 指标、出对比矩阵、生成评测报告模板。面向 AI 工程师、测试、产品与质量负责人——与 AI 安全红队测试（测安全）互补，本技能测质量。

ClawHub Hermes автор: zhaoxinghua09-cell v1.0.0 MIT-0 18 файлов тело ≈ 549 токенов Открыть источникclawhub.ai↗ проанализирован 2 дн назад

Практическое руководство по оценке качества LLM-приложений и регрессионному тестированию — от «ощущается хорошо» до «измеримо и контролируемо»: обзор оценки и…

Как процесс D 46/100 · Процесс не доведён — слабые места: результат и критерий готовности, когда включается, входы и предусловия

АнализаторИИ и агентытип и темы размечены автоматически по тексту скилла
Запускается в: OpenClaw Hermes Agent
JSON
Технический рейтинг
B
87/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
68
Прогон на моделях
не было
Процессный рейтинг
D
46/100
Процесс не доведён
Результат и критерий готовности вес 14
0
Входы и предусловия вес 11
0
Ошибки и развилки вес 10
0
три самых слабых из десяти параметров · все десять

Как улучшить

  1. Скажите в description, КОГДА применять скилл («используй, когда…», примеры запросов): это главный сигнал для агента.
  2. Для Hermes description должен быть одним предложением до 60 символов; условия применения вынесите в раздел «When to Use».
Для прогона на моделях — необязательно
  • Свои кейсы (evals/evals.json, 4–6 реальных запросов с ожидаемыми ответами): тогда полная проверка прогонит именно их, а не черновик от модели.
  • spec.yaml с триггерными фразами и утверждениями — контракт поведения для CI; `skilltest init` создаст шаблон.

Находки guard · 0

✓ Критических и высоких находок нет

Просканировано файлов: 18. Улики замаскированы. Пометки в серых чипах объясняют, почему серьёзность понижена.

По спецификации Agent Skills

  • предупреждение description-long-hermes description 367 символов, а стандарт Hermes требует ≤ 60 (одно предложение, с точкой)
  • предупреждение description-no-when ни description, ни раздел "## When to Use" не говорят, когда применять скилл
  • заметка frontmatter-key неизвестное поле фронтматтера "slug"
  • заметка frontmatter-key неизвестное поле фронтматтера "display_name"
  • заметка frontmatter-key неизвестное поле фронтматтера "displayName"
  • заметка frontmatter-key неизвестное поле фронтматтера "title"
  • заметка frontmatter-key неизвестное поле фронтматтера "description_en"

Процессный рейтинг: все десять параметров 46/100

  • 0Результат и критерий готовности. Не сказано, что считать результатом
  • 0Входы и предусловия. Не сказано, что нужно иметь на входе
  • 0Ошибки и развилки. Линейный процесс без обработки сбоев
  • 0Отчётность по ходу. Скилл ничего не сообщает по ходу работы
  • 20Когда включается. Не сказано, при каком запросе скилл включается
  • 60Инструменты и файлы. Используются инструменты (python), но во frontmatter они не объявлены
  • 100Шаги. Шагов: 16
  • 100Согласованность. Имя и обязательные поля на месте
  • 100Стоимость исполнения. Тело инструкции 549 токенов
  • 100Повторный запуск. Изменяющих операций нет

Всё перечисленное измерено по тексту скилла, а не оценено моделью: цифры проверяемы. Вес параметра тем больше, чем чаще из-за него процесс встаёт.

Сигналы качества

  • +5В description нет примеров фраз, по которым скилл должен срабатывать
  • +4Описание не говорит, когда скилл НЕ применять (ложные срабатывания)
  • +3Формат ответа не описан: модель каждый раз решает сама
  • +2Инструкции на одном языке
  • +3Длина description 367 символов: достаточно сигнала, не съедает бюджет
  • +4Структура: 10 заголовков
  • +3Пошаговые инструкции: 16 пунктов
  • +4Есть примеры (1 блоков кода)
  • +4Справочные файлы упоминаются в инструкциях (8 из 8)
  • +1Лицензия указана

База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 68.

Внешние проверки

ClawHub: clean
This is a coherent local LLM evaluation guide and toolkit with no network use, credential access, persistence, or automatic high-impact actions found.
LLM: benign (high) · VirusTotal: · 27 авг. 2026 г.