SkillFeeder › 全部 Skill › 数据与复盘 › agent-evaluation
批量运行并统计分析 LLM 智能体行为，生成可靠性评估报告
agent-evaluation
agent-evaluation 是 SkillFeeder 收录的Agent Skill，来自 GitHub 仓库 omer-metin/skills-for-antigravity，★ 198。批量运行并统计分析 LLM 智能体行为，生成可靠性评估报告。适合AI 工程师、Agent 测试负责人。场景是数据与复盘 · 指标看板。能做的事包括执行多轮行为回归测试，捕获输出漂移、量化能力短板（如推理、工具调用）、输出 agent-reliability.md 可视化指标。打开 GitHub 自行安装。
能做什么
- 执行多轮行为回归测试，捕获输出漂移
- 量化能力短板（如推理、工具调用）
- 输出 agent-reliability.md 可视化指标
原文简介
Testing and benchmarking LLM agents including behavioral testing, capability assessment, reliability metrics, and production monitoring—where even top agents achieve less than 50% on real-world benchmarksUse when "agent testing, agent evaluation, benchmark agents, agent reliability, test agent, testing, evaluation, benchmark, agents, reliability, quality" mentioned.
同场景推荐
- interview-me所在仓库 addyosmani/agent-skills，仓库 ★ 114,402逐个提问，直到95%确认用户真实需求再动手
- observability-and-instrumentation所在仓库 addyosmani/agent-skills，仓库 ★ 114,402自动为生产代码注入日志、指标、追踪和告警能力
- brand-extract所在仓库 nexu-io/open-design，仓库 ★ 106,772从任意网站实时提取完整品牌套件，生成 brand.html 可视化看板。
- skill-creator所在仓库 bytedance/deer-flow，仓库 ★ 85,186从零创建、迭代优化技能并量化评估效果
- stock_analyzer所在仓库 ZhuLinsen/daily_stock_analysis，仓库 ★ 68,592分析股票和市场。当用户想要分析单个或多个股票，或进行市场复盘时调用。
- dse-loop所在仓库 wanshuiyin/Auto-claude-code-research-in-sleep，仓库 ★ 18,864自动遍历硬件设计参数空间，运行仿真、分析结果、调优配置，直到达成性能目标。
- add-app-icon所在仓库 amir20/dozzle，仓库 ★ 14,877为容器镜像添加专属应用图标，解决无图或错图问题
- beautiful-article所在仓库 ConardLi/garden-skills，仓库 ★ 14,795把任意素材一键生成可离线分享的精美单文件 HTML 文章