Synthèse automatique
Construit une suite d'évaluation pour une fonctionnalité LLM : jeu de données issu du trafic réel, graders adaptés à chaque type de cas et seuil de régression qui bloque les mises en production dégradées.
Points forts
- Sépare un dev set d'un holdout gelé, ce qui évite de mesurer une qualité artificiellement gonflée par le réglage
- Choisit le grader le moins coûteux mais fiable selon le cas (assertion programmatique, LLM-juge, référence)
- Impose de calibrer le LLM-juge sur des items étiquetés par des humains avant de lui faire confiance
- Décompose les métriques par catégorie pour repérer une sous-catégorie effondrée que la moyenne masque
Limites
- Suppose de disposer déjà de 50 à 200 cas réels étiquetés ou de leçons tirées d'échecs connus
- Ne couvre ni la conception initiale du prompt ni l'optimisation de latence ou de coût
- La fiabilité du LLM-juge dépend entièrement de la qualité de la rubrique et de sa calibration
À utiliser dès qu'une fonctionnalité LLM est assez mature pour qu'une régression silencieuse de qualité pénalise les utilisateurs.
À éviter pour un premier brouillon de prompt ou pour du réglage de latence et de coût, qui relèvent d'autres approches.
Analyse de sécurité
SûrThis is a purely advisory methodology document about building LLM eval suites. It declares no tools, runs no commands, touches no files, network, or secrets, and its only code snippets are illustrative grader assertions (exact_match/iso_date) that carry no execution risk. Nothing destructive, obfuscated, or exfiltrating is present.
Aucun point d'attention détecté
Comment cette analyse est faiteExemples
Build an eval suite for our invoice field extraction feature. I have 120 real invoices with expected JSON (total, due_date, currency). Set up a dev/holdout split, choose graders per field, and give me the aggregate plus per-category scores.We're moving our support-reply prompt from v3 to v4. Run both against the frozen holdout and tell me if the gate 'no category may regress' passes, and list every individual failure for inspection.Here are 20 human-labeled open-ended support answers. Have the LLM judge grade them with our rubric, report agreement with the human labels, and tighten the rubric if agreement is low.name: ai-eval-harness version: 1.0.0 description: Build an eval suite for an LLM feature with datasets, graders, and regression gates that block bad releases. author: matrixx0070 tags: [eval, testing, llm-judge, regression, ci]
When to use
Use this when an LLM feature is real enough that a silent quality regression would hurt users, and "it looked fine when I tried it" is no longer acceptable proof.
Not for: the first prompt sketch (iterate by hand first, see ai-prompt-design), or pure latency/cost tuning (see ai-cost-latency).
Method
- Collect a dataset from real traffic and known failures, not invented cases. Aim for 50-200 items; label each with the expected outcome or a rubric.
- Split into a dev set (you tune against) and a frozen holdout (you only measure). Never tune on the holdout.
- Pick a grader per case type. Decision point: exact/enum/JSON → programmatic assertion; open-ended → LLM-as-judge with a rubric; factual → check against a reference. Prefer the cheapest grader that is trustworthy.
- Validate the LLM judge itself: have it grade 20 human-labeled items; if agreement is low, tighten the rubric before trusting it.
- Compute aggregate metrics (accuracy, pass rate, per-category breakdown) plus a list of individual failures for inspection.
- Set a regression gate: a threshold that must hold in CI before a prompt/model change merges. Decision point: block on holdout pass-rate drop OR any critical-category failure.
- Re-run on every prompt, model, or retrieval change; archive scores per version.
Example
Feature: invoice field extraction. Dataset: 120 real invoices, expected JSON per invoice.
grader = exact_match(pred["total"], gold["total"])
and iso_date(pred["due_date"]) == gold["due_date"]
Baseline (prompt v3): 108/120. Candidate (v4, added a few-shot example): 116/120, but 2 NEW failures in the "foreign currency" category. Gate rule "no category may regress" blocks the merge until v5 fixes currency, reaching 119/120.
Pitfalls
- Vibes as eval. Eyeballing a few outputs. If it is not scored on a frozen set, it is not an eval.
- Trusting an unvalidated judge. LLM judges have biases (length, position). Calibrate against human labels first.
- Aggregate blindness. A steady average hides a tanked subcategory. Always break down by category.
- Leaky holdout. Tuning until the holdout passes turns it into a training set. Touch it only to measure.
Output format
# Eval Suite: <feature>
DATASET: <n> items | source | dev/holdout split
LABELS: <expected outcome or rubric>
GRADERS:
- <case type> -> <programmatic | llm-judge | reference>
JUDGE CALIBRATION: agreement=<x> on <n> human labels
METRICS: overall=<x> | per-category={...}
GATE: block merge if holdout<<t> OR any category regresses
RESULTS: v<n> <score> | failures=[...]
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/llm-evaluation-harness-mrwakg54/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/llm-evaluation-harness-mrwakg54' && curl --fail --show-error --location 'https://skills-guides.com/api/skills/llm-evaluation-harness-mrwakg54/download' --output '.skill-downloads/llm-evaluation-harness-mrwakg54/SKILL.md.part' && mv '.skill-downloads/llm-evaluation-harness-mrwakg54/SKILL.md.part' '.skill-downloads/llm-evaluation-harness-mrwakg54/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/llm-evaluation-harness-mrwakg54/SKILL.md' && test -s '.skill-downloads/llm-evaluation-harness-mrwakg54/SKILL.md' && mkdir -p '.claude/skills' && test ! -e '.claude/skills/ai-eval-harness' && cp -R '.skill-downloads/llm-evaluation-harness-mrwakg54' '.claude/skills/ai-eval-harness'Cursor
test -f '.skill-downloads/llm-evaluation-harness-mrwakg54/SKILL.md' && test -s '.skill-downloads/llm-evaluation-harness-mrwakg54/SKILL.md' && mkdir -p '.cursor/skills' && test ! -e '.cursor/skills/ai-eval-harness' && cp -R '.skill-downloads/llm-evaluation-harness-mrwakg54' '.cursor/skills/ai-eval-harness'Codex
test -f '.skill-downloads/llm-evaluation-harness-mrwakg54/SKILL.md' && test -s '.skill-downloads/llm-evaluation-harness-mrwakg54/SKILL.md' && mkdir -p '.agents/skills' && test ! -e '.agents/skills/ai-eval-harness' && cp -R '.skill-downloads/llm-evaluation-harness-mrwakg54' '.agents/skills/ai-eval-harness'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/llm-evaluation-harness-mrwakg54'openskills read 'llm-evaluation-harness-mrwakg54'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/llm-evaluation-harness-mrwakg54/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.