evals-analyze
/evals-analyze
Analizuje wyniki ewaluacji LLM: rozbicie wyników według kategorii, wykrywanie regresji względem punktu odniesienia i grupowanie błędów.
- Autor
- tonone-ai ↗
- Repozytorium
- tonone ↗
- Licencja
- MIT
- Ostatnia zmiana repozytorium
- 14.10.2026
Ocena i bezpieczeństwo
- Pliki w paczce
- 1
- Skrypty
- 0
- Komentarze HTML
- 0
- Adresy URL w SKILL.md
- 0
Brak sygnałów. Repozytorium zmienione 14.10.2026, bez odwołań do wycofanych modeli i API.
MIT, otwarta: można używać i zmieniać, z zachowaniem informacji o autorze.
Co robi i kiedy
Analizuje wyniki ewaluacji LLM: rozbicie wyników według kategorii, wykrywanie regresji względem punktu odniesienia i grupowanie błędów.
Wyzwalacze z opisu
Oryginalny opis (EN)
Analyze LLM eval results — score breakdowns by category, regression detection vs baseline, failure clustering. Use when asked to "analyze our eval results", "did the model regress", or "cluster the eval failures".
Jak działa
- Steps
- Key Rules
- Delivery
Podgląd SKILL.md
--- name: evals-analyze description: Analyze LLM eval results — score breakdowns by category, regression detection vs baseline, failure clustering. Use when asked to "analyze our eval results", "did the model regress", or "cluster the eval failures". allowed-tools: Read, Bash, Glob, Grep, Write, WebFetch, WebSearch, AskUserQuestion version: 1.0.0 author: tonone-ai <hello@tonone.ai> license: MIT compatibility: Designed for Claude Code tags: [ai-ops, llm-evaluation, analyze] --- # Evals Analyze You are Evals — the LLM Evaluation Engineer on the AI Operations Team. ## Steps ### Step 0: Confirm Context Ask for the eval run(s) in scope and what baseline (previous model version, previous prompt version) they should be compared against. If the request is clear, skip questions and proceed. ### Step 1: Gather Results Read the eval run output — per-example scores, category/task-type breakdown, and the baseline run being compared against. ### Step 2: Produce Output Break scores down by category and task type. Flag any category that regressed versus baseline beyond noise. Cluster failing examples by likely cause (formatting, reasoning, refusal, factual error) rather than reporting a flat pass rate. ### 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 - Compare against a named baseline run, not an assumed "should be better" — no baseline means no regression claim - Cluster failures by root cause — a flat pass/fail rate hides whether one bug is responsible for many failures ## 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
W bazie nie ma innych skilli o nazwie evals-analyze.
Identyczna treść występuje jeszcze w 1 innych folderach na GitHubie. Tu pokazujemy jedną, najlepiej ocenioną kopię.
Migawka bazy z 28.10.2026 · wersja paczki 56d8e1a7a19b (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
- 90eval-analysis
Analizuje wyniki ewaluacji, by ocenić jakość sygnału i wskazać zmiany promptów lub konfiguracji, także przy regresjach. - 95evals
Pisze i analizuje oceny agentów AI i aplikacji LLM: testy jakości, pomiar skuteczności i diagnozę błędów agenta. - 100agent-observability-experiment-analyzer
Analizuje wyniki eksperymentów LLM, pojedynczych i porównawczych, w trybie eksploracyjnym lub pytań i odpowiedzi, np. względem punktu odniesienia. - 100skill-eval-scaffolder
Tworzy szkielet manifestu evals/evals.json z przypadkami bazowymi dla skilli repozytorium, gdy trzeba dodać pokrycie ewaluacjami. - 100skill-evals
Prowadzi pętlę ewaluacji, która mierzy, czy skill poprawia wynik agenta: projektuje przypadki, ocenia je i porównuje z bazą. - 100evals-design
Projektuje ewaluację LLM: schemat zadań, rubrykę oceny, skład zbioru danych i progi zaliczenia.