关于
Evals is an agent evaluation framework for testing and benchmarking AI agents using Anthropic's best practices. It provides three grader types (code-based, model-based, human) with transcript capture and pass@k/pass^k metrics. Use it when you need to evaluate, benchmark, or regression test agent behavior and capabilities.
快速安装
Claude Code
推荐npx skills add danielmiessler/Personal_AI_Infrastructure -a claude-code/plugin add https://github.com/danielmiessler/Personal_AI_Infrastructuregit clone https://github.com/danielmiessler/Personal_AI_Infrastructure.git ~/.claude/skills/Evals在 Claude Code 中复制并粘贴此命令以安装该技能
GitHub 仓库
常见问题
什么是 Evals Skill？
Evals 是一个 Claude Skill，作者为 danielmiessler。Skill 将 Claude 按需加载的说明和资源打包，让 Claude 无需额外提示即可执行与 Evals 相关的任务。
如何安装 Evals？
使用本页的安装命令：将 Evals 作为插件添加到 Claude Code，或将其仓库克隆到 skills 目录，然后重启 Claude 以加载该 Skill。
Evals 属于哪个分类？
Evals 属于测试分类。
Evals 可以免费使用吗？
可以。Evals 已收录在 AIMCP，可免费安装。
相关推荐技能
该Skill通过60+个学术基准测试（如MMLU、GSM8K等）评估大语言模型质量，适用于模型对比、学术研究及训练进度追踪。它支持HuggingFace、vLLM和API接口，被EleutherAI等行业领先机构广泛采用。开发者可通过简单命令行快速对模型进行多任务批量评估。
这个Claude Skill提供了关于Cloudflare Cron Triggers的完整知识库，用于通过cron表达式定时执行Workers。它支持配置周期性任务、维护作业和自动化工作流，并能处理常见的cron触发错误。开发者可以用它来设置定时任务、测试cron处理器，并集成Workflows和Green Compute功能。
该Skill为开发者提供了基于Playwright的本地Web应用测试工具集，支持自动化测试前端功能、调试UI行为、捕获屏幕截图和查看浏览器日志。它包含管理服务器生命周期的辅助脚本，可直接作为黑盒工具运行而无需阅读源码。适用于需要快速验证本地Web应用界面和交互功能的开发场景。
这个Skill用于开发分支完成后的集成决策，当代码实现完成且测试通过时，它会引导开发者选择合适的工作流。它首先验证测试状态，然后提供合并、创建PR或清理等结构化选项。核心价值在于确保代码质量的同时，标准化分支收尾流程。