behavioral-evals

Panduan untuk membuat, menjalankan, memperbaiki, dan mempromosikan evaluasi perilaku. Gunakan saat memverifikasi logika keputusan agen, men-debug kegagalan, men-debug prompt…

npx skills add https://github.com/google-gemini/gemini-cli --skill behavioral-evals

Behavioral Evals

Overview

Behavioral evaluations (evals) are tests that validate the agent's decision-making (e.g., tool choice) rather than pure functionality. They are critical for verifying prompt changes, debugging steerability, and preventing regressions.

[!NOTE] Single Source of Truth: For core concepts, policies, running tests, and general best practices, always refer to evals/README.md.


🔄 Workflow Decision Tree

  1. Does a prompt/tool change need validation?
    • No -> Normal integration tests.
    • Yes -> Continue below.
  2. Is it UI/Interaction heavy?
  3. Is it a new test?
    • Yes -> Set policy to USUALLY_PASSES.
    • No -> ALWAYS_PASSES (locks in regression).
  4. Are you fixing a failure or promoting a test?

📋 Quick Checklist

1. Setup Workspace

Seed the workspace with necessary files using the files object to simulate a realistic scenario (e.g., NodeJS project with package.json).

2. Write Assertions

Audit agent decisions using rig.setBreakpoint() (AppRig only) or index verification on rig.readToolLogs().

3. Verify

Run single tests locally with Vitest. Confirm stability locally before relying on CI workflows.


📦 Bundled Resources

Detailed procedural guides:

  • creating.md: Assertion strategies, Rig selection, Mock MCPs.
  • fixing.md: Step-by-step automated investigation, architecture diagnosis guidelines.
  • promoting.md: Candidate identification criteria and threshold guidelines.

Lebih banyak skill dari google-gemini

agent-tui
google-gemini
Main Agents: Do NOT use this skill directly. If you need to test the TUI, invoke the `tui_tester` subagent. Drive terminal UI (TUI) applications…
gemini-api-cli
google-gemini
Panduan untuk menggunakan alat CLI Gemini API. Gunakan saat Anda perlu berinteraksi dengan Gemini API melalui baris perintah, mengelola agen, atau menghasilkan media (gambar, …)
gemini-live-api-dev
google-gemini
Streaming dua arah secara real-time dengan Gemini melalui WebSocket untuk percakapan audio, video, dan teks. Mendukung input/output audio (PCM 16 kHz), bingkai video, teks, dan transkripsi otomatis dengan deteksi aktivitas suara untuk penanganan interupsi. Menyertakan fitur audio asli: dialog afektif, audio proaktif, dan mode berpikir; pemanggilan fungsi untuk penggunaan alat sinkron dan asinkron; serta penjangkaran Google Search. Menawarkan manajemen sesi dengan kompresi konteks, kelanjutan, dan...
gemini-omni-flash-api
google-gemini
Gunakan keterampilan ini untuk penyuntingan video generatif, teks-ke-video, pembuatan video dengan referensi gambar, dan animasi transisi bingkai pertama-ke-video menggunakan…
gemini-api-dev
google-gemini
Bangun aplikasi dengan model Gemini dari Google, mendukung konten multimodal, pemanggilan fungsi, dan keluaran terstruktur di Python, JavaScript, Go, dan Java. Akses model Gemini 3 terkini (Pro, Flash, Pro Image) dengan konteks 1M token; model lawas Gemini 2.x dan 1.5 sudah tidak digunakan lagi. Mendukung pembuatan teks, pemahaman gambar/audio/video, pemanggilan fungsi, keluaran JSON terstruktur, eksekusi kode, caching konteks, dan embeddings. SDK resmi tersedia: google-genai (Python),...
gemini-interactions-api
google-gemini
Antarmuka terpadu untuk model dan agen Gemini dengan status sisi server, streaming, dan orkestrasi alat. Mendukung beberapa model terkini (gemini-3-flash-preview, gemini-3-pro-preview, gemini-2.5-flash/pro) dan agen Deep Research; secara otomatis mengganti ID model yang tidak digunakan lagi dengan alternatif terkini. Offload riwayat percakapan ke server melalui previous_interaction_id untuk interaksi multi-putaran yang memiliki status tanpa pengelolaan riwayat manual. Orkestrasi alat bawaan termasuk...
deliver
google-gemini
Memposting versi ringkas dari briefing ke incoming webhook Google Chat atau Slack, sehingga laporan harian terkirim dengan sendirinya — melewati secara diam-diam ketika tidak ada webhook yang…
fetch-news
google-gemini
Menarik item Google News dan Hacker News terbaru untuk setiap topik dan genre yang sesuai dengan minat pembaca, dengan penghapusan duplikat terhadap setiap item yang ditampilkan pada penayangan sebelumnya.