Eval
Camada de AVALIAÇÃO do pipeline (quality-rubrics, ADR-0011). Aciona o subagente `evaluator` para rodar rubricas pass/fail contra a saída CONTRATADA de um sub-workflow (ADR-0010) sobre um conjunto-ouro de tarefas, e emitir um scorecard (aprovado/reprovado por critério + score + regressões vs. baseline datado). Três usos: sob demanda (`/eval <alvo>`), na cadência `eval_cadence`, e — o crítico — como GATE de upgrade do `Modelo fixado`: trocar o modelo exige re-baseline aprovado (`eval_gate: on`). Só mede; nunca implementa nem muta produção. Notifica o dono no bloqueio.From its SKILL.md
npx -y skills add celfons/ai-first --skill evalAssembled from the repository path, not quoted from the project. Check it against their README if it does not work.
2 things to look at
- no licenseNo license file was found in the repository. Code published without one is not open source by default, so using it at work is a question for whoever answers licensing questions where you are.
- 1 stars1 stars. Stars are a popularity signal and not a quality one, but at this level it is likely that nobody has read this closely except its author, and you would be relying on your own review.
SKILL.md
3.6 KB, as published. Nobody here has run it
/eval — o pipeline ainda é bom? (régua de qualidade + gate de upgrade de modelo)
Skill de avaliação. Enquanto o /daily-build produz e o /daily-outcome mede se a feature moveu o
negócio, esta mede se os subgrafos do pipeline mantêm a qualidade — e protege o upgrade de modelo
de ser um salto de fé. É a estratégia "harness de evals" encaixada nos contratos do ADR-0010: sem a
unidade contratada, não haveria contra o quê avaliar.
Cadência sugerida: eval_cadence do genoma (
docs/ai-first/project.md §8) — não por-fatia (avaliar gasta token, piso opus/alto). Espace dos demais crons pesados. O gate de upgrade roda sob demanda, quando oModelo fixadovai mudar.
Modelo + esforço
Invoque o evaluator em opus/alto — piso fixo (P-14): avaliar é julgamento independente, não
desce por custo-benefício. (Ref.: tabela no sdd-orchestrator.)
Alvo
/eval <sub-workflow>— avalia um contrato específico (ex.:build-one-feature,adversarial-panel)./evalsem alvo — roda a suíte da cadência (todos os contratos com conjunto-ouro semeado)./eval --upgrade <modelo-novo>— o eval-gate: re-baseline do modelo novo vs. o atual.
Fase 1 · Rodar a rubrica
Invoque o subagente evaluator para, sobre o conjunto-ouro de tarefas do alvo, rodar a rubrica
pass/fail contra a saída contratada do sub-workflow e comparar ao baseline datado em
docs/ai-first/eval-rubrics.md. Ele aponta regressões por critério, não só o score agregado, e é
honesto sobre acesso (contrato sem conjunto-ouro = achado, não score inventado).
Fase 2 · Decisão
- Cadência/sob demanda: o scorecard vira relatório ao dono; regressão relevante abre issue
needs-human-triage(a correção é feature nova pelo fluxo normal — oevaluatornão implementa). - Eval-gate (
--upgrade,eval_gate: on): score do modelo novo < piso OU regressão em critério de invariante/segurança ⇒ BLOQUEIA o upgrade (awaiting-human+ scorecard). Passou ⇒ oevaluatorgrava o novo baseline datado emeval-rubrics.mde o upgrade é liberado.
Quem escreve o quê
- Quem lê/roda: esta skill (thread principal), acionando o
evaluator(só-leitura de docs + Bash p/ rodar o conjunto-ouro). - Quem escreve o baseline: a skill grava em
docs/ai-first/eval-rubrics.mdo texto datado que oevaluatoremite — mesmo padrão de/daily-outcome→routing-policy.md(o subagente não escreve doc de produção sozinho; entrega sob gate).
Contrato de falha (como as demais rotinas)
Sem conjunto-ouro semeado, sem contrato-alvo, ou erro ao rodar a suíte ⇒ não termina em silêncio:
alerta push/e-mail dizendo o que falta (ex.: "semear conjunto-ouro de build-one-feature") e a frase p/
re-disparar. Baseline vazio = sem-baseline (maturação), reportado como tal, nunca como aprovação.
Ver ADR-0011, ADR-0010 (a unidade avaliável) e docs/ai-first/eval-rubrics.md.
</content>