Przejdź do treści
Biblioteka skilli
Dane i analityka · Planowanie

eval-design

/eval-design

Projektuje test A/B: analiza mocy, randomizacja i metryki sukcesu, w tym ustalenie, ilu użytkowników potrzeba do wiarygodnego wyniku.

Repozytorium
tonone ↗
Licencja
MIT
Ostatnia zmiana repozytorium
14.10.2026

Ocena i bezpieczeństwo

90/ 100Klasa: dobry
Format25 / 25
Frontmatter z nazwą i opisem, poprawna nazwa, opis do 1024 znaków, nazwa zgodna z folderem.
Odkrywalność25 / 25
Opis mówi, kiedy użyć skilla, ma sensowną długość i jest w 3. osobie.
Treść25 / 35
Co najmniej 150 słów i do 500 linii, nagłówki, listy kroków, przykłady albo kod.
Higiena15 / 15
Bez zaślepek typu TODO, bez ścieżek Windows, z licencją.
Ryzykobrak sygnałów w skanie
Pliki w paczce
1
Skrypty
0
Komentarze HTML
0
Adresy URL w SKILL.md
0
Przestarzałość

Brak sygnałów. Repozytorium zmienione 14.10.2026, bez odwołań do wycofanych modeli i API.

Licencja

MIT, otwarta: można używać i zmieniać, z zachowaniem informacji o autorze.

Co robi i kiedy

Projektuje test A/B: analiza mocy, randomizacja i metryki sukcesu, w tym ustalenie, ilu użytkowników potrzeba do wiarygodnego wyniku.

Wyzwalacze z opisu

design an A/B testhow many users do we needrun a power analysis
Oryginalny opis (EN)

Design an A/B test — power analysis, randomization, and success metrics. Use when asked to "design an A/B test", "how many users do we need", or "run a power analysis".

Jak działa

  1. Steps
  2. Key Rules
  3. Delivery
Sekcje z nagłówków SKILL.md, w oryginale · 37 linii, 175 słów
Podgląd SKILL.md
---
name: eval-design
description: Design an A/B test — power analysis, randomization, and success metrics. Use when asked to "design an A/B test", "how many users do we need", or "run a power analysis".
allowed-tools: Read, Bash, Glob, Grep, Write, WebFetch, WebSearch, AskUserQuestion
version: 1.4.0
author: tonone-ai <hello@tonone.ai>
license: MIT
compatibility: Designed for Claude Code
tags: [data-science, experimentation, design]
---

# Eval Design

You are Eval — Experiment Design Engineer on the Data Science Team.

## Steps

### Step 0: Confirm Context

Ask the user for any missing context needed to produce a useful output. If the request is clear, skip questions and proceed.

### Step 1: Gather Context

Gather the hypothesis, primary metric, minimum detectable effect, traffic volume, and any existing covariate data.

### Step 2: Produce Output

Output an experiment design: sample size calculation, test duration, randomization unit, success/guardrail metrics, and analysis plan.

### Step 3: Summary

Output a brief summary:

- What was produced
- Key decisions or recommendations
- Recommended next steps

## Key Rules

- Follow the output format defined in docs/output-kit.md
- Always include statistical justification for quantitative recommendations
- Flag assumptions about data distribution or availability

## Delivery

If output exceeds the 40-line CLI budget, invoke `/atlas-report` with the full findings. The HTML report is the output. CLI is the receipt — box header, one-line verdict, top 3 findings, and the report path. Never dump analysis to CLI.

Wersje

RepozytoriumWynikLicencja
Ta strona · tonone-ai/tonone90MIT
zts212653/clowder-ai100MIT
agentscope-ai/OpenJudge95Apache-2.0

Identyczna treść występuje jeszcze w 1 innych folderach na GitHubie. Tu pokazujemy jedną, najlepiej ocenioną kopię.

Migawka bazy z 13.11.2026 · wersja paczki 92f06c557636 (skrót SHA-256 całej paczki)

Pobrania w ostatnich 30 dniach: 0 · ranking

Zgłoś problem z tym skillem: szkodliwa treść, błędny opis albo prośba autora o usunięcie.

Podobne skille

  • 90score-eval
    Projektuje ramy ewaluacji modelu ML: metryki, podziały danych i raportowanie wyników.
  • 100causal-experiments
    Projektuje i analizuje eksperymenty losowe w R lub Pythonie: analiza mocy, kontrola balansu i odporne błędy standardowe, dla RCT, testów A/B i randomizacji.
  • 90experimentation
    Pomaga zaprojektować test A/B, który odpowie na swoje pytanie: hipoteza, jednostka randomizacji, moc, czas trwania, wcześniej zarejestrowana analiza i uczciwa interpretacja także wyniku zerowego.
  • 100stat-ab-testing
    Projektuje i analizuje testy A/B: obliczanie wielkości próby, randomizacja, podejścia częstościowe i bayesowskie oraz testy sekwencyjne.
  • 100experiment
    Prowadzi pełny cykl eksperymentu: projekt, analiza mocy, analiza statystyczna, interpretacja, raport i monitoring testów A/B, zaczynając od bramki SRM.
  • 100experimental-design
    Tworzy kartę projektu testu przyczynowego do preregistracji: falsyfikowalna hipoteza z MDE, jednostka i mechanizm randomizacji, wielkość próby wg mocy, reguła zatrzymania, plan analizy i audyt zagrożeń trafności.

Uwagi i zgłoszenia

Wiadomość trafi do Bartosza Sokolińskiego. Adres e-mail jest potrzebny tylko do odpowiedzi. Szczegóły w polityce prywatności.