Token导航 LogoToken导航

Agent Skill · 开发

quality-scoring(质量评分)

quality-scoring 用于处理 GitHub 仓库、Issue、Pull Request 和代码协作信息,适合在 Codex、Claude、Cursor、Gemini CLI 中需要围绕仓库状态、代码变更或协作事项进行整理时使用。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。

quality-scoring 是开发类 Agent Skill,可用宿主为 Codex、Claude、Cursor、Gemini CLI,通过GitHub 仓库获取,权限为调用外部服务;许可证信息还不明确,第三方扫描已通过,按安装量在开发类的 21,746 个 Skill 里排第 21,692。

总安装 97周安装 4GitHub Stars 23下载 32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
unknown

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:quality-scoring(质量评分)
来源仓库:https://github.com/akaszubski/autonomous-dev
仓库路径:skills/quality-scoring
安装命令:
npx skills add https://github.com/akaszubski/autonomous-dev --skill quality-scoring
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。

skills.shnpx skills
npx skills add https://github.com/akaszubski/autonomous-dev --skill quality-scoring

这个 Skill 是做什么的

开发类 Skill 面向写代码、改代码和排查问题,一般会读写仓库文件,部分还会执行构建或测试命令。

用于处理 GitHub 仓库、Issue、Pull Request 和代码协作信息,适合在 Codex、Claude、Cursor、Gemini CLI 中围绕仓库状态或协作事项进行整理。适用于质量评分相关的多维度评估与权重分配场景,支持基于代码变更的质量度量。

通过 npx skills add 命令从指定 GitHub 仓库安装,需结合原始 README 确认具体用法。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操作。quality-scoring 属于开发类 Skill,可作为该场景下的辅助能力补充。

来源仓库内路径:skills/quality-scoring

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 https://github.com/akaszubski/autonomous-dev --skill quality-scor…;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

    它需要调用外部服务,先在测试目录或测试账号里跑,确认没问题再放到正式项目。

常见问题

6 条

quality-scoring 怎么安装?

在终端执行 npx skills add https://github.com/akaszubski/autonomous-dev --skill quality-scoring。装完完全退出宿主工具再打开,让它重新扫描本地 Skill。

quality-scoring 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。

quality-scoring 需要什么权限?

权限级别是调用外部服务。该 Skill 可能调用第三方服务、云服务或外部模型 API,使用前需要确认账号、额度、数据发送范围和服务条款。

quality-scoring 是免费的吗?

公开资料没有标注明确许可证,收费和商用限制都无法确认。正式使用前请到来源仓库核对授权说明。

quality-scoring 用的人多吗?

公开数据是累计安装 97 次,近一周安装 4 次,下载 32 次,GitHub 23 星。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。

quality-scoring 安全吗?

第三方扫描结果为通过,但这只覆盖已知的静态检查项,不能替代自己读一遍源码和安装命令。

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。
  • 第三方扫描已通过,常见的高风险行为没有命中。

先想清楚的地方

  • 许可证没有明确标注,能不能商用、能不能再分发都不确定。
  • 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。
  • 需要处理开发类任务、又不想每次都手写提示词的人。

不太适合

  • 需要明确授权才能用到公司项目里的场景。
  • 需要厂商级技术支持和 SLA 的生产系统。

开发类 Skill 对比

6 个同类
Skill总安装GitHub 星权限许可证扫描
skill-vetter

技能审查员 · OpenClaw

8,779,018986操作浏览器MIT-0通过
ontology

本体论 · OpenClaw

6,636,960576只读MIT-0通过
entra-app-registration

内部应用程序注册 · Codex、Claude

6,631,872764接触敏感数据未明确通过
entra-app-registration

内部应用程序注册 · Codex、Claude

3,757,680201接触敏感数据未明确通过
nano-banana-pro

纳米香蕉专业版 · OpenClaw

3,526,898364接触敏感数据MIT-0有提醒
quality-scoring

质量评分 · 本页

9723调用外部服务未明确通过

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

Quality Scoring

Multi-dimensional assessment for training data quality.

When Activates

Quality assessment, data scoring, multi-dimensional evaluation, IFD scoring, factuality checks, reasoning validation, training data prep


Core Concepts

Quality Scorers (6 Types)

Fast to comprehensive scoring approaches:

  1. FastIFD - Instruction-following difficulty (10-20x faster)
  2. Quality - LLM-based quality (Qwen3-30B, 0.85 ex/s)
  3. MultiDimensional - 5-dimension composite
  4. LLMQuality - Multi-backend (MLX/OpenRouter)
  5. Ensemble - Cross-model ensemble
  6. Tulu3 - Multi-dimensional reference (training_metrics.py)

Quality Dimensions (6 Metrics)

  1. IFD Score (0.0-1.0) - Instruction-following difficulty
  2. Factuality (0.0-1.0) - Hallucination detection
  3. Reasoning (0.0-1.0) - Step-by-step logic quality
  4. Diversity (0.0-1.0) - Dataset-level diversity
  5. Domain (0.0-1.0) - Domain-specific relevance
  6. LLM Quality (1-10) - Tulu3 comprehensive score

Training Thresholds

TypeQualityIFDUse Case
SFT≥8.0≥0.3Base training
DPO chosen≥9.0≥0.5High quality only
DPO rejected≤6.0anyLow quality
RLVR≥9.0≥0.5Verified solutions
Calibration≥8.0≥0.4Uncertainty examples

Quick Reference

ConceptDetailsReference
Scorers6 types (FastIFD to Ensemble)quality-scorers.md
Dimensions6 metrics (IFD to LLM Quality)quality-dimensions.md
ThresholdsBy training type (SFT, DPO, RLVR)training-thresholds.md
Librarytraining_metrics.pyIntegration functions

IFD Score Calculation

from training_metrics import calculate_ifd_score

# IFD = PPL(response) / PPL(response|instruction)
ifd_score = calculate_ifd_score(
    instruction="Explain quantum computing",
    response="Quantum computing uses qubits..."
)
# Higher score = more challenging

DPO Pair Validation

from training_metrics import validate_dpo_pairs

# Validate chosen/rejected quality gap
is_valid = validate_dpo_pairs(
    chosen_score=9.2,  # High quality
    rejected_score=5.8  # Low quality
)
# Ensures quality gap ≥0.15

REQUIRED: DPO Multi-Dimensional Scoring

Every DPO pair MUST have multi-dimensional quality scores before training.

This is a hard requirement — DPO data without quality scores will learn shortcuts (e.g., "longer = better") instead of genuine preference signal.

Required output fields per pair:

  • chosen_score (float): Composite quality score for chosen response
  • rejected_score (float): Composite quality score for rejected response
  • margin (float): chosen_score - rejected_score (must be ≥3.0)

Length bias audit (MUST run before DPO training):

from pathlib import Path
from training_metrics import validate_dpo_pairs

metrics = validate_dpo_pairs(dpo_path=Path("dpo_pairs.jsonl"))

# Check length bias
longer_chosen = sum(1 for p in metrics.pairs if len(p.chosen) > len(p.rejected))
length_bias = longer_chosen / metrics.total_pairs

if length_bias > 0.70:
    raise ValueError(
        f"DPO length bias {length_bias:.0%} > 70% threshold.\n"
        f"Model will learn 'longer = better' shortcut.\n"
        f"Fix: Score by quality dimensions, not length."
    )

# Check quality scores present
missing = sum(1 for p in metrics.pairs if p.chosen_score is None)
if missing > 0:
    raise ValueError(f"{missing} pairs missing quality scores — run scoring first")

Scoring workflow:

  1. Generate DPO pairs (dpo-rlvr-generation skill)
  2. Score all pairs with multi-dimensional scorer (this skill)
  3. Filter by quality margin ≥3.0
  4. Audit length bias ≤70%
  5. Only then proceed to training

RLVR Verifiability

from training_metrics import assess_rlvr_verifiability

# Assess reasoning trace verifiability
verifiable = assess_rlvr_verifiability(
    reasoning_trace="Step 1: ...\nStep 2: ...",
    domain="math"
)
# Math/coding: 90%+ verifiable required

Progressive Disclosure

Detailed guides: See docs/*.md

  • docs/quality-scorers.md - 6 scorer implementations
  • docs/quality-dimensions.md - 6 dimension definitions
  • docs/training-thresholds.md - Thresholds, CLI, distributed performance

Security Considerations

Input Validation (CWE-20)

  • Validate score ranges (0.0-1.0 or 1-10)
  • Sanitize data inputs before scoring
  • Check threshold values before application

Path Traversal (CWE-22)

  • Sanitize file paths for data loading
  • Whitelist directories for training data
  • Validate output paths for scored datasets

Security Patterns (training_metrics.py)

from pathlib import Path

def safe_load_data(data_path: str) -> dict:
    """Load data with path validation."""
    # Validate path within allowed directory
    path = Path(data_path).resolve()
    if not str(path).startswith('/allowed/data/'):
        raise ValueError(f"Path outside allowed directory: {path}")

    # Load safely
    return json.loads(path.read_text())

Distributed Performance

Single Machine Performance

  • M4 Max: ~0.85 ex/s (Qwen3-30B)
  • M3 Ultra: ~0.85 ex/s (Qwen3-30B)

Parallel Processing

  • Combined throughput: ~1.7 ex/s (50/50 split)
  • Scaling: Linear with machine count
  • Bottleneck: Model inference, not I/O

CLI Commands

# Score dataset with FastIFD
python -m training_metrics score \
  --input data/train.jsonl \
  --output data/scored.jsonl \
  --scorer fastifd \
  --threshold 0.3

# Multi-dimensional scoring
python -m training_metrics score \
  --input data/train.jsonl \
  --output data/scored.jsonl \
  --scorer multidim \
  --quality-threshold 8.0 \
  --ifd-threshold 0.5

# DPO pair filtering
python -m training_metrics filter_dpo \
  --input data/dpo_pairs.jsonl \
  --output data/filtered_pairs.jsonl \
  --chosen-threshold 9.0 \
  --rejected-threshold 6.0

# RLVR verifiability check
python -m training_metrics assess_rlvr \
  --input data/rlvr_traces.jsonl \
  --output data/verified.jsonl \
  --domain math \
  --threshold 0.9

Related Skills

  • data-distillation - IFD methodology and KenLM filtering
  • preference-data-quality - DPO and RLVR metrics
  • python-standards - Code quality standards

Library Integration

Primary library: training_metrics.py

Key functions:

  • calculate_ifd_score() - IFD calculation
  • validate_dpo_pairs() - DPO pair validation
  • assess_rlvr_verifiability() - RLVR assessment
  • score_quality() - Multi-dimensional scoring
  • ensemble_score() - Cross-model ensemble

Key Takeaways

  1. 6 scorers - FastIFD (fast) to Ensemble (comprehensive)
  2. 6 dimensions - IFD, Factuality, Reasoning, Diversity, Domain, LLM Quality
  3. Training thresholds - SFT ≥8.0, DPO chosen ≥9.0, RLVR ≥9.0
  4. IFD score - PPL(response) / PPL(response|instruction), higher = harder
  5. Security - CWE-20 (input validation), CWE-22 (path traversal)
  6. Distributed - ~1.7 ex/s with 2 machines (linear scaling)
  7. CLI commands - training_metrics module for all operations
  8. Integration - Use training_metrics library functions
  9. DPO pairs - Chosen ≥9.0, Rejected ≤6.0, gap ≥0.15
  10. RLVR - Math/coding 90%+ verifiable, general 80%+
  11. DPO scoring REQUIRED - Every pair must have chosen_score, rejected_score, margin before training
  12. Length bias audit - ≤70% of pairs where chosen is longer (prevents "longer = better" shortcut)

适合场景

01

调用多模型

02

代码和文本生成

03

Agent 推理流程

04

OpenRouter 模型接入

能力概览

能力 1

统一调用多种 LLM

能力 2

支持 Claude、Gemini、Kimi 等模型

能力 3

适合聊天、代码和推理任务

能力 4

可作为 Agent 模型调用入口

平台分布

Codex

35.54%
按下载量换算11

Claude

28.34%
按下载量换算9

Cursor

17.62%
按下载量换算6

Gemini CLI

8.64%
按下载量换算3

安全审计

Gen Agent Trust Hub

通过

Socket

通过

Snyk

通过

权限和风险

调用外部服务

该 Skill 可能调用第三方服务、云服务或外部模型 API,使用前需要确认账号、额度、数据发送范围和服务条款。

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