Token导航 LogoToken导航

Agent Skill · 研究检索

advanced-evaluation(高级评估)

advanced-evaluation 用于查找、检索和筛选相关信息,适合在 Codex、Claude、Cursor、Gemini CLI 中需要根据关键词、任务场景或来源线索快速定位候选结果时使用。可结合来源仓库、安装命令和原始 README 继续核验具体用法。安装前建议确认权限范围、维护状态,以及是否会触发联网、命令执行或文件读写。

advanced-evaluation 是研究检索类 Agent Skill,可用宿主为 Codex、Claude、Cursor、Gemini CLI,通过GitHub 仓库获取,权限为只读;许可证为 MIT,暂无第三方扫描结果,按安装量在研究检索类的 73,675 个 Skill 里排第 64,068。

总安装 306周安装 13GitHub Stars 公开资料未说明下载 107核验 2026-05-01

安装说明

本站只整理中文说明,不托管安装包,也不代用户安装。
GitHub
许可证
MIT

安装方式

通过对话安装

复制提示词发给支持本地命令或 Skills 的 AI 助手,先确认命令和权限,再让它执行。

请帮我安装这个 Agent Skill:advanced-evaluation(高级评估)
来源仓库:https://github.com/5dlabs/cto
仓库路径:skills/advanced-evaluation
安装命令:
npx skills add 5dlabs/cto --skill "advanced-evaluation"
安装前请先检查当前环境是否支持对应 CLI,并向我确认将要执行的命令、安装目录、联网范围和文件读写权限;确认后再执行。

命令行安装

复制命令到本机终端执行。该命令会通过 npx skills 从第三方来源获取 Skill;本站只展示命令,不托管安装包,也不自动执行。

AgentSkills.tonpx skills
npx skills add 5dlabs/cto --skill "advanced-evaluation"

这个 Skill 是做什么的

研究检索类 Skill 主要解决「找资料、核对事实、把来源整理清楚」的问题,通常会让助手先检索再总结。

advanced-evaluation 用于高级评估任务支持,辅助决策分析。适用于复杂问题判断或多维度评估场景。通过 npx skills add 5dlabs/cto --skill "advanced-evaluation" 安装,建议结合上下文使用。使用前需明确评估维度和权重标准。

应避免将模型输出直接作为最终结论。

来源仓库内路径:skills/advanced-evaluation

上手步骤

4 步
  1. 1

    确认自己的宿主工具

    公开资料标注支持 Codex、Claude、Cursor、Gemini CLI;先确认自己用的是其中之一,再按对应工具的 Skills 目录放置。

  2. 2

    拿到安装命令

    可以直接复制的命令是 npx skills add 5dlabs/cto --skill "advanced-evaluation";命令里的占位符换成自己的路径或密钥再执行。

  3. 3

    安装后重启宿主

    命令执行完要完全退出宿主工具再打开,让新装的 Skill 被重新扫描到,否则列表里可能看不到。

  4. 4

    按最小权限试用

    它标注为只读,先用只读任务试一次,确认行为符合预期再扩大使用范围。

常见问题

6 条

advanced-evaluation 怎么安装?

在终端执行 npx skills add 5dlabs/cto --skill "advanced-evaluation"。装完完全退出宿主工具再打开,让它重新扫描本地 Skill。

advanced-evaluation 支持哪些 AI 工具?

公开资料标注支持 Codex、Claude、Cursor、Gemini CLI。其他工具只要能读取本地 Skill 目录,一般也能手动放进去,但要自己确认触发方式是否一致。

advanced-evaluation 需要什么权限?

权限级别是只读。该 Skill 主要提供规则、说明或参考内容,本身偏只读;真正读写文件、联网或执行命令仍取决于宿主 Agent 的任务。

advanced-evaluation 是免费的吗?

来源标注的许可证是 MIT。本站不代收任何费用,也不托管安装包;能否商用、要不要署名,以许可证原文为准。

advanced-evaluation 用的人多吗?

公开数据是累计安装 306 次,近一周安装 13 次,下载 107 次。这些数字来自第三方目录统计,只能当作热度参考,不代表质量或安全性。

advanced-evaluation 安全吗?

没有查到第三方扫描结果,安全性无法从公开资料判断,安装前请自行审查源码、依赖和命令行为。

值得选的地方和要先想清楚的地方

值得选的地方

  • 同时适配 4 种工具,换客户端不用重新找替代品。
  • 许可证明确为 MIT,商用和分发边界好判断。
  • 标注为只读权限,试用阶段不容易误改本地文件。

先想清楚的地方

  • 没有第三方扫描结果,安全性只能靠自己读源码判断。
  • 第三方目录整理,版本更新和行为细节以来源仓库为准。

适不适合你

更适合

  • 已经在用 Codex,想直接扩展它能力的人。
  • 需要处理研究检索类任务、又不想每次都手写提示词的人。
  • 只想先试试效果、不希望它改动本地文件的人。

不太适合

  • 要求有安全扫描结论才肯安装的团队。
  • 需要厂商级技术支持和 SLA 的生产系统。

研究检索类 Skill 对比

6 个同类
Skill总安装GitHub 星权限许可证扫描
find-skills

寻找技能 · Codex、Claude

31,199,81316,486操作浏览器MIT有提醒
self-improving-agent

自我改进 Agent · OpenClaw

16,464,0023,396接触敏感数据MIT-0通过
soultrace

灵魂追踪 · Codex、Claude

7,588,94412需要联网未明确有提醒
self-improving

自我完善 · OpenClaw

6,829,2841,046需要联网MIT-0通过
microsoft-foundry

微软代工厂 · Codex、Claude

6,614,144764调用外部服务未明确有提醒
advanced-evaluation

高级评估 · 本页

306—只读MIT未收录

按安装量取同分类前几名;数字来自第三方目录统计,只作热度参考,不代表质量结论。

SKILL.md 原文

Advanced Evaluation

Production-grade techniques for evaluating LLM outputs using LLMs as judges.

Evaluation Taxonomy

Direct Scoring

Single LLM rates one response on a defined scale.

  • Best for: Objective criteria (factual accuracy, instruction following)
  • Reliability: Moderate to high for well-defined criteria
  • Failure mode: Score calibration drift

Pairwise Comparison

LLM compares two responses and selects the better one.

  • Best for: Subjective preferences (tone, style, persuasiveness)
  • Reliability: Higher than direct scoring for preferences
  • Failure mode: Position bias, length bias

The Bias Landscape

BiasDescriptionMitigation
PositionFirst-position responses favoredSwap positions, majority vote
LengthLonger = higher ratingExplicit prompting to ignore length
Self-EnhancementModels rate own outputs higherUse different model for evaluation
VerbosityDetailed explanations favoredCriteria-specific rubrics
AuthorityConfident tone rated higherRequire evidence citation

Direct Scoring Implementation

You are an expert evaluator assessing response quality.

## Task
Evaluate the following response against each criterion.

## Original Prompt
{prompt}

## Response to Evaluate
{response}

## Criteria
{criteria with descriptions and weights}

## Instructions
For each criterion:
1. Find specific evidence in the response
2. Score according to the rubric (1-{max} scale)
3. Justify your score with evidence
4. Suggest one specific improvement

## Output Format
Respond with structured JSON containing scores, justifications, and summary.

Critical: Always require justification BEFORE the score. Improves reliability 15-25%.

Pairwise Comparison Implementation

Position Bias Mitigation Protocol:

  1. First pass: A in first position, B in second
  2. Second pass: B in first position, A in second
  3. Consistency check: If passes disagree, return TIE
  4. Final verdict: Consistent winner with averaged confidence
## Critical Instructions
- Do NOT prefer responses because they are longer
- Do NOT prefer responses based on position (first vs second)
- Focus ONLY on quality according to specified criteria
- Ties are acceptable when genuinely equivalent

Rubric Generation

Components:

  1. Level descriptions with clear boundaries
  2. Observable characteristics for each level
  3. Examples for each level
  4. Edge case guidance
  5. General scoring principles

Strictness levels:

  • Lenient: Lower bar, encourages iteration
  • Balanced: Typical production use
  • Strict: High-stakes or safety-critical

Decision Framework

Is there objective ground truth?
├── Yes → Direct Scoring
│   (factual accuracy, instruction following)
└── No → Is it a preference judgment?
    ├── Yes → Pairwise Comparison
    │   (tone, style, persuasiveness)
    └── No → Reference-based evaluation
        (summarization, translation)

Scaling Evaluation

ApproachUse CaseTrade-off
Panel of LLMsHigh-stakes decisionsMore expensive, more reliable
HierarchicalLarge volumesFast screening + careful edge cases
Human-in-loopCritical applicationsBest reliability, feedback loop

Guidelines

  1. Always require justification before scores
  2. Always swap positions in pairwise comparison
  3. Match scale granularity to rubric specificity
  4. Separate objective and subjective criteria
  5. Include confidence scores calibrated to consistency
  6. Define edge cases explicitly
  7. Validate against human judgments

平台分布

Claude Code

25.92%
按下载量换算28

windsurf

22.6%
按下载量换算24

trae

18.12%
按下载量换算19

OpenCode

12.56%
按下载量换算13

Codex

7.55%
按下载量换算8

Antigravity

3.82%
按下载量换算4

安全审计

暂无安全审计结果可展示。

权限和风险

只读

该 Skill 主要提供规则、说明或参考内容,本身偏只读;真正读写文件、联网或执行命令仍取决于宿主 Agent 的任务。

安装前确认

本站仅展示第三方公开信息,不托管安装包,不提供自动安装或运行环境。安装前应自行审查源码、依赖和命令行为。目前只有一个公开来源,建议同时核对源仓库。

继续浏览同类 Skills