mturac Eval Harness 技能
一个用于 OpenAI Codex 会话的正式评估框架，实现了评估驱动开发 (EDD) 原则。
何时激活
- 为 AI 辅助工作流程设置评估驱动开发 (EDD)
- 定义 OpenAI Codex 任务完成的标准（通过/失败）
- 使用 pass@k 指标衡量代理可靠性
- 为提示或代理变更创建回归测试套件
- 跨模型版本对代理性能进行基准测试
理念
评估驱动开发将评估视为 "AI 开发的单元测试"：
- 在实现 之前 定义预期行为
- 在开发过程中持续运行评估
- 跟踪每次更改的回归情况
- 使用 pass@k 指标来衡量可靠性
评估类型
能力评估
测试 Codex 是否能完成之前无法完成的事情：
[能力评估：功能名称]
任务：描述 Codex 应完成的工作
成功标准：
- [ ] 标准 1
- [ ] 标准 2
- [ ] 标准 标准 3
预期输出：对预期结果的描述
回归评估
确保更改不会破坏现有功能：
[回归评估：功能名称]
基线：SHA 或检查点名称
测试：
- 现有测试-1：通过/失败
- 现有测试-2：通过/失败
- 现有测试-3：通过/失败
结果：X/Y 通过（之前为 Y/Y）
评分器类型
1. 基于代码的评分器
使用代码进行确定性检查：
# Check if file contains expected pattern
grep -q "export function handleAuth" src/auth.ts && echo "PASS" || echo "FAIL"
# Check if tests pass
npm test -- --testPathPattern="auth" && echo "PASS" || echo "FAIL"
# Check if build succeeds
npm run build && echo "PASS" || echo "FAIL"
2. 基于模型的评分器
使用 Codex 来评估开放式输出：
[MODEL GRADER PROMPT]
评估以下代码变更：
1. 它是否解决了所述问题？
2. 它的结构是否良好？
3. 是否处理了边界情况？
4. 错误处理是否恰当？
评分：1-5 (1=差，5=优秀)
推理：[解释]
3. 人工评分器
标记为需要手动审查：
[HUMAN REVIEW REQUIRED]
变更：对更改内容的描述
原因：为何需要人工审核
风险等级：低/中/高
指标
pass@k
"k 次尝试中至少成功一次"
- pass@1：首次尝试成功率
- pass@3：3 次尝试内成功率
- 典型目标：pass@3 > 90%
pass^k
"所有 k 次试验都成功"
- 更高的可靠性门槛
- pass^3：连续 3 次成功
- 用于关键路径
评估工作流程
1. 定义（编码前）
## 评估定义：功能-xyz
### 能力评估
1. 可以创建新用户账户
2. 可以验证电子邮件格式
3. 可以安全地哈希密码
### 回归评估
1. 现有登录功能仍然有效
2. 会话管理未改变
3. 注销流程完整
### 成功指标
- 能力评估的 pass@3 > 90%
- 回归评估的 pass^3 = 100%
2. 实现
编写代码以通过已定义的评估。
3. 评估
# Run capability evals
[Run each capability eval, record PASS/FAIL]
# Run regression evals
npm test -- --testPathPattern="existing"
# Generate report
4. 报告
评估报告：功能-xyz
========================
能力评估：
创建用户： 通过（通过@1）
验证邮箱： 通过（通过@2）
哈希密码： 通过（通过@1）
总计： 3/3 通过
回归评估：
登录流程： 通过
会话管理： 通过
登出流程： 通过
总计： 3/3 通过
指标：
通过@1： 67% (2/3)
通过@3： 100% (3/3)
状态：准备就绪，待审核
集成模式
实施前
/eval define feature-name
在 .codex/evals/feature-name.md 处创建评估定义文件
实施过程中
/eval check feature-name
运行当前评估并报告状态
实施后
/eval 报告 功能名称
生成完整的评估报告
评估存储
将评估存储在项目中：
.codex/
evals/
feature-xyz.md # Eval定义
feature-xyz.log # Eval运行历史
baseline.json # 回归基线
最佳实践
- 在编码前定义评估 - 强制清晰地思考成功标准
- 频繁运行评估 - 及早发现回归问题
- 随时间跟踪 pass@k - 监控可靠性趋势
- 尽可能使用代码评分器 - 确定性 > 概率性
- 对安全性进行人工审查 - 永远不要完全自动化安全检查
- 保持评估快速 - 缓慢的评估不会被运行
- 评估与代码版本化 - 评估是一等工件
示例：添加身份验证
## EVAL：添加身份验证
### 第 1 阶段：定义 (10 分钟)
能力评估：
- [ ] 用户可以使用邮箱/密码注册
- [ ] 用户可以使用有效凭证登录
- [ ] 无效凭证被拒绝并显示适当的错误
- [ ] 会话在页面重新加载后保持
- [ ] 登出操作清除会话
回归评估：
- [ ] 公共路由仍可访问
- [ ] API 响应未改变
- [ ] 数据库模式兼容
### 第 2 阶段：实施 (时间不定)
[编写代码]
### 第 3 阶段：评估
运行：/eval check add-authentication
### 第 4 阶段：报告
评估报告：添加身份验证
==============================
能力：5/5 通过 (pass@3: 100%)
回归：3/3 通过 (pass^3: 100%)
状态：可以发布
产品评估 (v1.8)
当单元测试无法单独捕获行为质量时，使用产品评估。
评分器类型
- 代码评分器（确定性断言）
- 规则评分器（正则表达式/模式约束）
- 模型评分器（LLM 作为评判者的评估准则）
- 人工评分器（针对模糊输出的人工裁定）
pass@k 指南
pass@1：直接可靠性pass@3：受控重试下的实际可靠性pass^3：稳定性测试（所有 3 次运行必须通过）
推荐阈值：
- 能力评估：pass@3 >= 0.90
- 回归评估：对于发布关键路径，pass^3 = 1.00
评估反模式
- 将提示过度拟合到已知的评估示例
- 仅测量正常路径输出
- 在追求通过率时忽略成本和延迟漂移
- 在发布关卡中允许不稳定的评分器
最小评估工件布局
.codex/evals/<feature>.md定义.codex/evals/<feature>.log运行历史docs/releases/<version>/eval-summary.md发布快照