khalilbenaz/claude-skills-collection/agent-evaluation-framework
Claude Code and agent skill by khalilbenaz/claude-skills-collection
- community
Checking that the SKILL.md file is still in the repository.
Framework d'évaluation et benchmarking d'agents IA. Métriques, tests, comparaisons et quality assurance. Se déclenche avec "évaluer agent", "agent eval", "benchmark agent", "tester mon agent", "qualité agent", "agent metrics", "agent performance", "LMSYS", "agent accuracy". Also triggers on "evaluate my agent", "agent benchmark", "agent eval harness".
Install
npx vskill@latest install khalilbenaz/claude-skills-collection/agent-evaluation-frameworkSKILL.md
Agent Evaluation Framework
Quand utiliser ce skill
Utilise ce skill lorsque tu dois mesurer, comparer ou améliorer la qualité d'un agent IA : création de suites de tests, pipelines d'évaluation automatisés, choix de métriques adaptées, interprétation des résultats. Couvre agents conversationnels, agents avec tools, et systèmes multi-agents.
Workflow en 10 étapes
1. Définir les critères d'évaluation
Clarifie d'abord ce que signifie "bon" selon l'objectif de l'agent. Priorise dans cet ordre :
| Critère | Définition | Outil de mesure | |
|---|---|---|---|
task_completion | La tâche est-elle accomplie ? | Règle déterministe ou LLM-juge | |
accuracy | La réponse est-elle correcte ? | Comparaison golden answer | |
efficiency | Nombre d'étapes / tokens | Comptage logs | |
cost | Coût moyen par tâche | API usage billing | |
safety | Absence de réponses dangereuses | Jailbreak test suite | |
latency | Temps de réponse (p50/p95/p99) | Monitoring APM |
Critère de décision : si l'agent est en prod avec SLA, latence et coût passent devant accuracy ; si c'est un assistant expert interne, accuracy et safety dominent.
2. Construire le dataset de test
Minimum 50 exemples pour des résultats significatifs, 200+ pour valider des A/B tests.
Types à couvrir impérativement :
- Cas nominaux (60 %) — tâches courantes bien représentatives
- Edge cases (20 %) — inputs vides, très longs, caractères spéciaux
- Adversarial (10 %) — jailbreak, instructions contradictoires
- Regression (10 %) — bugs corrigés dans le passé
3. Métriques quantitatives
4. Métriques qualitatives — LLM-as-judge
Pour les tâches ouvertes (résumé, raisonnement, créativité) où il n'y a pas de réponse binaire.
Pièges LLM-juge : le juge a un biais de longueur (préfère les réponses longues) et un biais de position (favorise la première réponse en A/B). Calibre-le sur 20–30 exemples annotés humainement avant de l'utiliser à grande échelle.
5. Intégration CI/CD
6. Choisir son framework d'évaluation
| Framework | Cas d'usage | Avantages | Inconvénients | |
|---|---|---|---|---|
| DeepEval | Évals générales + RAG | Métriques prêtes, CLI, CI intégré | Setup initial | |
| RAGAS | Pipelines RAG uniquement | Métriques RAG natives | Scope limité | |
| LangSmith | Stack LangChain | Tracing + éval intégrés | Vendor lock-in | |
| Braintrust | A/B testing prompts | Interface visuelle, diff | Payant au-delà du free tier | |
| Inspect AI (AISI) | Évals de sécurité approfondies | Open-source, rigoureux | Plus complexe à setup | |
| Pytest maison | Contrôle total | Zéro dépendance externe | À construire soi-même |
7. A/B testing entre variantes
Règle : ne déclare jamais un gagnant sans p-value < 0.05. Sur des datasets < 100 exemples, le bruit statistique est trop élevé.
8. Safety et adversarial testing
9. Stress testing et résilience
Scénarios à couvrir :
- Conversations longues (50+ tours) — vérifier la dégradation de qualité
- Context proche du max tokens — vérifier le comportement de troncature
- Tool timeout simulé — l'agent gère-t-il l'erreur gracieusement ?
- 10 / 100 / 1000 requêtes simultanées — mesurer le p95 sous charge
10. Reporting et suivi temporel
Anti-patterns et pièges
| Anti-pattern | Problème | Solution | |
|---|---|---|---|
| Optimiser le prompt sur les exemples de test | Overfitting — fausses métriques | Split strict train/val/test, no data leakage | |
| Évaluation 100 % manuelle | Ne scale pas au-delà de 50 tests | Automatiser avec LLM-juge calibré | |
| Un seul chiffre agrégé (ex: score global) | Masque les faiblesses par catégorie | Décomposer par tag (nominal / edge / adversarial) | |
| Comparer sans significativité statistique | Faux gagnants A/B | Toujours calculer p-value avant de conclure | |
| Négliger les tests de regression | Bug réintroduit silencieusement | Tout bug corrigé → test de regression permanent | |
| LLM-juge non calibré | Biais longueur, biais position | Calibrer sur 20–30 exemples annotés humainement | |
| Métriques proxy seulement (tokens) | Éloigné de la valeur réelle | Mesurer aussi satisfaction utilisateur (CSAT, NPS) | |
| Dataset trop homogène | Métriques gonflées artificiellement | 20 % edge cases et 10 % adversarial minimum |
Bonnes pratiques 2026
This is the start of the file. Read the full SKILL.md on GitHub.
Security
- Security scanPassed, 90 of 100Pattern checks on the skill's files.
- Model reviewPassed
Quality evaluation
- Task evaluationNot runNo evaluation yet. Run one in Skill Studio.
Source
- SKILL.md in the repositoryCheckingskills/agent-evaluation-framework/SKILL.md
Popularity
- 7-day trend score
- 5
Not refreshed yet.
Works with
Any agent vskill installs to: 56 targets in all. These 39 have a page on this site.
- Claude Code
- Cursor
- GitHub Copilot
- Windsurf
- Codex
- Gemini CLI
- Cline
- Amp
- Roo Code
- Goose
- Continue
- Kilo Code
- Junie
- Trae
- OpenHands
- Qwen Code
- AI Agent
- Tabnine Chat
- Sourcegraph Cody
- Amazon Q
- Firebase Genkit
- Sweep
- Devin
- Phind
- Mentat
- Claude Desktop
- Aider
- GPT Pilot
- Plandex
- bolt.new
- v0
- Replit Agent
- Anse
- TypingMind
- BetterChatGPT
- LibreChat
- Warp AI
- Pieces
- Fig AI
Embed badge
[](https://verified-skill.com/skills/khalilbenaz/claude-skills-collection/agent-evaluation-framework)