Synthèse automatique
Permet de diagnostiquer et résoudre les problèmes d'évaluations Hawk/Inspect AI bloquées, en vérifiant l'authentification, l'état des pods, les logs et les appels API.
Points forts
- Fournit une checklist structurée pour identifier rapidement la cause du blocage.
- Inclut des techniques avancées comme l'appel direct à l'API et l'analyse des patterns de retry.
- Propose des solutions concrètes pour chaque pattern d'erreur répertorié.
Limites
- Nécessite un accès aux outils internes Hawk et à l'infrastructure S3.
- Les solutions dépendent de la configuration spécifique de l'environnement (middleman, providers).
- Ne couvre pas les problèmes d'infrastructure sous-jacente (réseau, quota API).
Lorsqu'une évaluation Hawk/Inspect AI ne progresse pas, que des échantillons restent en suspens ou que des erreurs 500 apparaissent.
Pour des problèmes d'évaluation qui ne sont pas liés à des blocages, par exemple des erreurs de logique de tâche ou de scoring.
Analyse de sécurité
PrudenceThe skill instructs authenticated access to internal services and deletion of resources, but within a legitimate debugging context. It does not exfiltrate data, run destructive system commands, or disable safety. Risk is limited to users with existing authorization.
- •Uses `curl` to test internal API endpoints with access tokens.
- •Instructs deletion of evaluation sets via `hawk delete`.
- •References internal infrastructure (middleman.internal.metr.org) and proprietary tools.
Exemples
My Inspect eval is stuck. The eval-set ID is evalset-abc123. Can you help me debug it?I see 'HTTP retries: 45' in my eval logs. What does that mean and how do I fix the stuck eval?I'm getting 500 errors from the middleman during an eval. How do I test the API directly to see the real error?name: debug-stuck-eval description: Debug stuck Hawk/Inspect AI evaluations. Use when user mentions "stuck eval", "eval not progressing", "eval hanging", "samples not completing", "eval set frozen", "runner stuck", "500 errors in eval", "retry loop", "eval timeout", or asks why an evaluation isn't finishing.
Quick Checklist
- Verify auth:
hawk auth access-token > /dev/null || echo "Run 'hawk login' first" - Get eval-set-id from user
- Check status:
hawk status <eval-set-id>- JSON report with pod state, logs, metrics - View logs:
hawk logs <eval-set-id>orhawk logs -ffor follow mode - List samples:
hawk list samples <eval-set-id>- see completion status - Look for error patterns (see below)
- Test API directly if logs show retries without clear errors
Error Patterns
| Log Pattern | Meaning | Resolution |
|-------------|---------|------------|
| [uuid task/id/epoch model] Retrying request to /responses | OpenAI SDK retry with sample context | Test API directly with curl to see real error |
| [uuid task/id/epoch model] -> model retry N ... [ErrorType code] | Inspect retry with error summary | Check error type; use curl for full details |
| 500 - Internal server error | API issue | Download buffer, find failing request, test through middleman AND directly to provider |
| 400 - invalid_request_error | Token/context limit exceeded | Check message count and model context window |
| Pod UID mismatch | Sandbox pod was killed and restarted | No fix needed—sample errored out, Inspect will retry |
| Empty output, pending: true | API returned malformed response | Restart eval (buffer resumes) |
| OOMKilled in pod status | Memory exhaustion | Increase pod memory limits |
Key Techniques
- Retry messages have sample context - All retry messages include a
[sample_uuid task/sample_id/epoch model]prefix. Inspect's own retries also include a compact error summary suffix like[RateLimitError 429 rate_limit_exceeded]. The OpenAI SDK's internal retry messages still don't show the actual error — use curl for full details. - FAIL-OK patterns are fine - Alternating failures and successes mean the eval IS progressing. Only worry about consistent FAIL-FAIL-FAIL patterns.
- Use S3 for buffer access - Download
.buffer/from S3 rather than accessing the runner pod directly. - Read .eval files with inspect_ai - Use
from inspect_ai.log import read_eval_loginstead of manually extracting zips.
Test API Directly
Middleman is the auth proxy. If middleman fails but direct provider calls work, it's a middleman issue.
TOKEN=$(hawk auth access-token)
# Test through middleman
curl --max-time 300 -X POST https://middleman.internal.metr.org/anthropic/v1/messages \
-H "Authorization: Bearer $TOKEN" -H "Content-Type: application/json" \
-d '{"model": "claude-sonnet-4-20250514", "max_tokens": 100, "messages": [{"role": "user", "content": "Say hello"}]}'
# Test OpenAI-compatible
curl --max-time 300 -X POST https://middleman.internal.metr.org/openai/v1/chat/completions \
-H "Authorization: Bearer $TOKEN" -H "Content-Type: application/json" \
-d '{"model": "gpt-4o", "messages": [{"role": "user", "content": "Say hello"}], "max_tokens": 100}'
Recovery
# Delete stuck eval and restart
hawk delete <eval-set-id>
hawk eval-set <config.yaml>
The sample buffer in S3 allows Inspect to resume from where it left off (unless you use --no-resume).
HTTP Retry Count
Task progress logs include "HTTP retries: X". High retry counts indicate API instability even while tasks complete.
Severity: Retry count × wait time = stuck duration. E.g., 45 retries × 1800s = 22+ hours stuck.
More Details
See docs/debugging-stuck-evals.md for:
- Sample buffer SQL queries
- Detailed API testing examples
- Escalation checklist
References
- Inspect AI Model Providers - Model configuration
- Inspect AI Eval Logs - .eval file format
Filing Issues
- Middleman: https://github.com/metr-middleman/middleman-server/issues
- Hawk: Linear issue on Evals Execution team
- Inspect AI: https://github.com/UKGovernmentBEIS/inspect_ai/issues
Du fichier au premier essai
Le téléchargement contient exactement le contenu affiché sur cette fiche. Cette copie peut différer de la dernière version du dépôt source.
Consulter la source et ses fichiers annexesCe téléchargement contient uniquement SKILL.md. Les scripts, références, modèles et dépendances éventuels ne sont pas inclus. Récupérez les fichiers nécessaires depuis la source en conservant leur arborescence avant de poursuivre.
1. Télécharger le fichier
Télécharger SKILL.mdDepuis la racine d’un projet de test, enregistrez le fichier sous .skill-downloads/debug-stuck-hawk-inspect-ai-evaluations-mmbizj1v/SKILL.md, ou utilisez la commande suivante. Ce dossier sert à examiner la skill avant son installation.
Commande pour macOS/Linux ou WSL : un shell POSIX et curl sont nécessaires. Sous Windows sans WSL, utilisez le bouton de téléchargement et créez le dossier manuellement.
mkdir -p '.skill-downloads/debug-stuck-hawk-inspect-ai-evaluations-mmbizj1v' && curl --fail --show-error --location 'https://skills-guides.com/api/skills/debug-stuck-hawk-inspect-ai-evaluations-mmbizj1v/download' --output '.skill-downloads/debug-stuck-hawk-inspect-ai-evaluations-mmbizj1v/SKILL.md.part' && mv '.skill-downloads/debug-stuck-hawk-inspect-ai-evaluations-mmbizj1v/SKILL.md.part' '.skill-downloads/debug-stuck-hawk-inspect-ai-evaluations-mmbizj1v/SKILL.md'2. Vérifier les prérequis
Lisez SKILL.md avant de l’utiliser. Si le fichier cite des scripts ou services externes, examinez-les et préparez les accès nécessaires dans votre environnement de test.
Aucune section de prérequis reconnue dans ce fichier. Cela ne signifie pas qu’il est autonome : les bibliothèques, outils et accès peuvent être cités ailleurs dans le contenu ou dans le dépôt source.
Les plateformes de la fiche sont des indications du catalogue. Les chemins ci-dessous suivent la documentation des outils ; ils ne prouvent pas que cette skill y a été exécutée. Aucune version minimale de ces outils n’est attestée pour cette fiche.
3. Charger la skill
Après vérification, copiez le dossier complet dans le projet avec l’une des commandes ci-dessous, puis ouvrez une nouvelle session de l’outil. La commande s’arrête si un dossier du même nom existe déjà : comparez les fichiers avant de le remplacer.
Claude Code
test -f '.skill-downloads/debug-stuck-hawk-inspect-ai-evaluations-mmbizj1v/SKILL.md' && test -s '.skill-downloads/debug-stuck-hawk-inspect-ai-evaluations-mmbizj1v/SKILL.md' && mkdir -p '.claude/skills' && test ! -e '.claude/skills/debug-stuck-eval' && cp -R '.skill-downloads/debug-stuck-hawk-inspect-ai-evaluations-mmbizj1v' '.claude/skills/debug-stuck-eval'OpenSkills
OpenSkills doit déjà être installé. La procédure locale install/read est contrôlée avec OpenSkills 1.5.0, qui exige Node.js ≥ 20.6.0. Aucun slug du catalogue n’est résolu automatiquement.
Installation officielle d’OpenSkillsopenskills install './.skill-downloads/debug-stuck-hawk-inspect-ai-evaluations-mmbizj1v'openskills read 'debug-stuck-hawk-inspect-ai-evaluations-mmbizj1v'La lecture doit afficher le contenu du fichier installé et son dossier de base. Elle ne lance ni la skill ni ses dépendances.
Pour un agent qui lit AGENTS.md, synchronisez ensuite l’index. Cette commande modifie AGENTS.md : relisez le diff avant de l’utiliser.
openskills syncMode manuel ou autre outil : joignez SKILL.md à une conversation, ou ouvrez-le dans un agent capable de lire les fichiers. Ajoutez les ressources annexes nécessaires. Il n’existe pas de dossier universel reconnu par tous les outils.
4. Faire un premier essai
Utilisez une entrée courte et fictive : un endpoint d’API, un petit document ou un brief d’interface. Dans une nouvelle conversation, joignez le fichier ou donnez son chemin à l’agent, puis adaptez cette demande :
Lis .skill-downloads/debug-stuck-hawk-inspect-ai-evaluations-mmbizj1v/SKILL.md et applique ses instructions à cet exemple : [décrire une entrée de test]. Indique les fichiers, dépendances ou accès qui manquent. Produis le résultat demandé par la skill sans inventer de données ni exécuter de script non examiné.Résultat attendu : une sortie correspondant aux instructions de la skill, ou une liste précise des prérequis manquants. Une simple confirmation de lecture ne valide pas le premier usage. Si une ressource externe est indisponible, ce parcours reste à tester.
Comparaison de performances ClickHouse
Testing
Évaluez les résultats de tests de performance ClickHouse, analysez les régressions de PR, comparez avec l'historique et vérifiez la fiabilité des mesures.
Analyse des rapports de performance CI
Testing
Analyse les rapports de comparaison de performance CI pour une PR ClickHouse. Recoupe l'historique master pour distinguer les vraies régressions des tests instables.
Méthode Santa
Testing
Vérification adversarial multi-agents avec deux réviseurs indépendants. La sortie est vérifiée deux fois et corrigée itérativement jusqu'à ce que les deux acceptent avant publication.