SKILL.md
⚖️ Advanced Evaluation (LLM-as-a-Judge)
Esta habilidad permite implementar sistemas de evaluación de grado de producción utilizando LLMs como jueces. Cubre desde la taxonomía de evaluación hasta la mitigación de sesgos sistemáticos (posición, longitud, auto-mejora).
Mental Model: La evaluación no es un evento, es un pipeline. El "LLM-as-a-Judge" no es una técnica única, sino un framework de decisiones basado en la naturaleza del dato (objetivo vs. subjetivo).
🚩 Fragilidad y Autonomía
- Fragilidad: Media. La definición de rúbricas requiere alineación con los objetivos del negocio/proyecto.
- Libertad: Alta en la implementación técnica de los pipelines de validación.
🚀 Cuándo Activar
- Al construir pipelines de evaluación automática para outputs de LLM.
- Para comparar respuestas de múltiples modelos (A/B testing de prompts).
- Al establecer estándares de calidad consistentes en equipos de desarrollo.
- Para depurar sistemas de evaluación con resultados inconsistentes.
🧠 Conceptos Core
1. Taxonomía de Evaluación
| Enfoque | Mejor para... | Fiabilidad | Fallo Común |
|---|---|---|---|
| Direct Scoring | Criterios Objetivos (Factualidad, Formato) | Alta | Deriva de escala (calibration drift) |
| Pairwise Comparison | Criterios Subjetivos (Tono, Estilo, Creatividad) | Muy Alta | Sesgo de posición (Position Bias) |
2. El Paisaje de Sesgos (Mitigación)
- Position Bias: Tendencia a preferir la primera respuesta.
- Mitigación: Evaluar dos veces intercambiando posiciones (Swap) y verificar consistencia.
- Length Bias: Preferencia por respuestas largas.
- Mitigación: Instrucciones explícitas de ignorar longitud y penalizar verborrea irrelevante.
- Self-Enhancement: Modelos que puntúan mejor sus propios outputs.
- Mitigación: Usar modelos diferentes para generación y evaluación.
🛠️ Implementación en Gemini Elite Core
Patrón: Direct Scoring (Gemini 3 + Thinking)
Utiliza thinking-pro para razonar sobre la evidencia antes de emitir el score.
## Task
Evalúa la calidad de la respuesta según los criterios.
## Criterios
- Precisión Factual (Peso: 1.0)
- Concisión (Peso: 0.5)
## Instrucciones
1. Busca evidencia específica en la respuesta.
2. Razona sobre cómo la evidencia cumple o no el criterio.
3. Asigna un score (1-5).
4. Sugiere una mejora atómica.
## Formato de Salida (JSON)
{ "score": number, "reasoning": string, "improvement": string }Patrón: Pairwise con Swap
Es obligatorio realizar el "Swap Test" para asegurar la integridad de la evaluación.
- Pass 1: Modelo evalúa [Respuesta A, Respuesta B].
- Pass 2: Modelo evalúa [Respuesta B, Respuesta A].
- Consistencia: Si el ganador cambia, se marca como EMPATE con confianza baja.
📏 Generación de Rúbricas
Una rúbrica bien definida reduce la varianza en un 40-60%.
- Nivel 1 (Pobre): Sin evidencia, logicamente inconsistente.
- Nivel 3 (Adecuado): Cumple la instrucción, tono correcto, logicamente pasable.
- Nivel 5 (Excelente): Supera expectativas, insights profundos, formato perfecto.
🔗 Integraciones
context-fundamentals: Estructura de prompts de evaluación.tool-design: Creación de herramientas de validación programática.debug-master: Identificación de fallos sistémicos en la lógica del modelo.
📚 Referencias Internas
references/bias-mitigation.md: Técnicas avanzadas de Swap y PoLL (Panel of LLMs).references/implementation-patterns.md: Patrones técnicos de "Reasoning-First" y "Swap Test".references/metrics-guide.md: Selección de métricas (Factualidad, Tono, Formato).