SKILL.md
Eval ハーネススキル
eval 駆動開発（EDD）原則を実装する Claude Code セッション用の正式な評価フレームワークです。
起動条件
- AI アシストワークフローのための eval 駆動開発（EDD）のセットアップ
- Claude Code タスク完了のための合格/不合格基準の定義
- pass@k メトリクスによるエージェント信頼性の測定
- プロンプトやエージェント変更のためのリグレッションテストスイートの作成
- モデルバージョン間のエージェントパフォーマンスのベンチマーク
哲学
Eval駆動開発はevalを「AI開発のユニットテスト」として扱う:
- 実装前に期待される動作を定義
- 開発中にevalを継続的に実行
- 各変更でリグレッションを追跡
- 信頼性測定にpass@kメトリクスを使用
Evalタイプ
Capability Eval
Claudeが以前できなかったことができるようになったかテスト:
[CAPABILITY EVAL: feature-name]
タスク: Claudeが達成すべきことの説明
成功基準:
- [ ] 基準1
- [ ] 基準2
- [ ] 基準3
期待出力: 期待される結果の説明Regression Eval
変更が既存機能を壊さないことを確認:
[REGRESSION EVAL: feature-name]
ベースライン: SHAまたはチェックポイント名
テスト:
- existing-test-1: PASS/FAIL
- existing-test-2: PASS/FAIL
- existing-test-3: PASS/FAIL
結果: X/Y 合格（以前はY/Y）Graderタイプ
1. コードベースGrader
コードを使用した決定論的チェック:
# ファイルに期待されるパターンが含まれているかチェック
grep -q "export function handleAuth" src/auth.ts && echo "PASS" || echo "FAIL"
# テストが通るかチェック
npm test -- --testPathPattern="auth" && echo "PASS" || echo "FAIL"
# ビルドが成功するかチェック
npm run build && echo "PASS" || echo "FAIL"2. モデルベースGrader
オープンエンドな出力を評価するためにClaudeを使用:
[MODEL GRADER PROMPT]
以下のコード変更を評価:
1. 記載された問題を解決しているか？
2. 構造は適切か？
3. エッジケースは処理されているか？
4. エラーハンドリングは適切か？
スコア: 1-5（1=悪い、5=優秀）
理由: [説明]3. Human Grader
手動レビュー用にフラグ:
[HUMAN REVIEW REQUIRED]
変更: 変更内容の説明
理由: 人間のレビューが必要な理由
リスクレベル: LOW/MEDIUM/HIGHメトリクス
pass@k
「k回の試行で少なくとも1回成功」
- pass@1: 初回試行成功率
- pass@3: 3回以内の成功
- 一般的な目標: pass@3 > 90%
pass^k
「k回すべての試行が成功」
- 信頼性のより高いバー
- pass^3: 3回連続成功
- クリティカルパスに使用
Evalワークフロー
1. 定義（コーディング前）
## EVAL DEFINITION: feature-xyz
### Capability Eval
1. 新規ユーザーアカウントを作成できる
2. メールフォーマットを検証できる
3. パスワードを安全にハッシュできる
### Regression Eval
1. 既存のログインは引き続き動作
2. セッション管理は変更なし
3. ログアウトフローは維持
### 成功メトリクス
- capability evalでpass@3 > 90%
- regression evalでpass^3 = 100%2. 実装
定義されたevalを通過するコードを書く。
3. 評価
# capability evalを実行
[各capability evalを実行、PASS/FAILを記録]
# regression evalを実行
npm test -- --testPathPattern="existing"
# レポートを生成4. レポート
EVAL REPORT: feature-xyz
========================
Capability Eval:
create-user: PASS (pass@1)
validate-email: PASS (pass@2)
hash-password: PASS (pass@1)
全体: 3/3 合格
Regression Eval:
login-flow: PASS
session-mgmt: PASS
logout-flow: PASS
全体: 3/3 合格
メトリクス:
pass@1: 67% (2/3)
pass@3: 100% (3/3)
ステータス: レビュー準備完了統合パターン
実装前
/eval define feature-name.claude/evals/feature-name.mdにeval定義ファイルを作成
実装中
/eval check feature-name現在のevalを実行しステータスをレポート
実装後
/eval report feature-name完全なevalレポートを生成
Evalストレージ
プロジェクトにevalを保存:
.claude/
evals/
feature-xyz.md # Eval定義
feature-xyz.log # Eval実行履歴
baseline.json # Regressionベースラインベストプラクティス
- コーディング前にevalを定義 - 成功基準についての明確な思考を強制
- evalを頻繁に実行 - リグレッションを早期に検出
- pass@kを経時追跡 - 信頼性のトレンドを監視
- 可能な限りcode graderを使用 - 決定論的 > 確率的
- セキュリティには人間のレビュー - セキュリティチェックを完全に自動化しない
- evalを高速に保つ - 遅いevalは実行されない
- evalをコードと一緒にバージョン管理 - evalはファーストクラスの成果物
例: 認証の追加
## EVAL: add-authentication
### Phase 1: 定義（10分）
Capability Eval:
- [ ] ユーザーはメール/パスワードで登録できる
- [ ] ユーザーは有効な資格情報でログインできる
- [ ] 無効な資格情報は適切なエラーで拒否される
- [ ] セッションはページリロードで持続する
- [ ] ログアウトでセッションがクリアされる
Regression Eval:
- [ ] パブリックルートは引き続きアクセス可能
- [ ] APIレスポンスは変更なし
- [ ] データベーススキーマは互換性あり
### Phase 2: 実装（可変）
[コードを書く]
### Phase 3: 評価
実行: /eval check add-authentication
### Phase 4: レポート
EVAL REPORT: add-authentication
==============================
Capability: 5/5 合格（pass@3: 100%）
Regression: 3/3 合格（pass^3: 100%）
ステータス: SHIP ITプロダクト Eval（v1.8）
ユニットテストだけでは行動品質をキャプチャできない場合に、プロダクト eval を使用します。
Grader タイプ
- Code grader（決定論的アサーション）
- Rule grader（正規表現/スキーマ制約）
- Model grader（LLM-as-judge ルーブリック）
- Human grader（曖昧な出力の手動判定）
pass@k ガイダンス
pass@1: 直接的な信頼性pass@3: 制御されたリトライ下の実用的信頼性pass^3: 安定性テスト（3 回すべてのランが合格する必要がある）
推奨閾値：
- Capability eval: pass@3 >= 0.90
- Regression eval: pass^3 = 1.00（リリースクリティカルなパス向け）
Eval アンチパターン
- 既知の eval サンプルにプロンプトをオーバーフィッティングする
- ハッピーパスの出力のみを測定する
- パス率を追いかけてコストとレイテンシのドリフトを無視する
- リリースゲートにフレーキーな grader を許容する
最小 Eval アーティファクトレイアウト
.claude/evals/<feature>.md定義.claude/evals/<feature>.log実行履歴docs/releases/<version>/eval-summary.mdリリーススナップショット