evaluation-metrics
Über
Diese Claude-Skill wird automatisch während der Leistungsbewertung von LLMs aktiviert, um korrekte Metriken und Tests sicherzustellen. Sie verwaltet Evaluierungsdatensätze, berechnet Metriken, ermöglicht A/B-Tests und implementiert LLM-as-Judge-Muster. Nutzen Sie sie, wenn Sie strukturierte Experimentverfolgung und strenge Leistungsbewertung für Ihre LLM-Anwendungen benötigen.
Schnellinstallation
Claude Code
Empfohlennpx skills add mattnigh/skills_collection -a claude-code/plugin add https://github.com/mattnigh/skills_collectiongit clone https://github.com/mattnigh/skills_collection.git ~/.claude/skills/evaluation-metricsKopieren Sie diesen Befehl und fügen Sie ihn in Claude Code ein, um diese Fähigkeit zu installieren
GitHub Repository
Häufig gestellte Fragen
Was ist der Skill evaluation-metrics?
evaluation-metrics ist ein Claude Skill von mattnigh. Skills bündeln Anweisungen und Ressourcen, die Claude bei Bedarf lädt, um Aufgaben rund um evaluation-metrics ohne zusätzliche Eingaben auszuführen.
Wie installiere ich evaluation-metrics?
Verwende die Installationsbefehle auf dieser Seite: Füge evaluation-metrics als Plugin zu Claude Code hinzu oder klone das Repository in dein Skills-Verzeichnis. Starte Claude danach neu, damit der Skill geladen wird.
Zu welcher Kategorie gehört evaluation-metrics?
evaluation-metrics gehört zur Kategorie Andere.
Kann ich evaluation-metrics kostenlos nutzen?
Ja. evaluation-metrics ist auf AIMCP gelistet und kann kostenlos installiert werden.
Verwandte Skills
Diese Claude Skill führt automatisch durch die Modell- und Anbieterauswahl für LLM-Anwendungen. Sie bietet Muster zur Kostenoptimierung, Fallback-Strategien und Multi-Model-Routing über Anbieter wie OpenAI und Anthropic hinweg. Nutzen Sie sie bei der Implementierung von Modellvergleichen, Anbieter-Failover oder Abwägungen zwischen Leistung und Kosten in Ihrem LLM-System.
Diese Claude Skill leitet automatisch den Entwurf von Multi-Agenten-Systemen, indem sie die korrekte Erstellung von Tool-Schemata mit Pydantic erzwingt, Agenten-Zustände verwaltet und robuste Fehlerbehandlung implementiert. Sie bietet Orchestrierungsmuster für zuverlässige Tool-Aufruf-Workflows und Agenten-Routing. Verwenden Sie sie beim Aufbau komplexer Agentensysteme, um wartbare und strukturierte Interaktionen zu gewährleisten.
Die KI-Sicherheits-Funktion wendet automatisch Sicherheitsschutzmaßnahmen für KI/LLM-Anwendungen an. Sie bietet Erkennung von Prompt-Injection, Schwärzung von personenbezogenen Daten, Ausgabefilterung und Inhaltsmoderation. Verwenden Sie diese Funktion beim Entwickeln von LLM-Anwendungen, die integrierte Sicherheitsvorkehrungen benötigen.
Diese Fähigkeit leitet automatisch die Auswahl von Modellen und Anbietern für LLM-Anwendungen. Sie bietet Muster für Kostenoptimierung, Fallback-Strategien und Multi-Model-Routing über Anbieter wie OpenAI und Anthropic hinweg. Nutzen Sie sie bei der Implementierung von Modellvergleichen, Anbieter-Failover oder Kosten-Leistungs-Optimierung in Ihrem LLM-System.