behavioral-evals

Руководство по созданию, запуску, исправлению и продвижению поведенческих оценок. Используется при проверке логики принятия решений агентом, отладке сбоев, отладке подсказок…

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.

Больше skills от google-gemini

greeter
google-gemini
Приветливый навык приветствия
official
async-pr-review
google-gemini
Запустите этот навык, когда пользователь хочет начать асинхронное ревью PR, выполнить фоновые проверки PR или проверить статус ранее запущенного асинхронного PR…
official
ci
google-gemini
Специализированный навык для Gemini CLI, обеспечивающий высокую производительность и быстрый отказ
official
code-reviewer
google-gemini
Автоматизированное ревью кода для локальных изменений и удалённых пул-реквестов со структурированным анализом по корректности, поддерживаемости и безопасности. Поддерживает как изменения в локальной файловой системе (индексированные и неиндексированные), так и удалённые PR (по номеру или URL) с автоматическим checkout через GitHub CLI. Анализирует код по семи направлениям: корректность, поддерживаемость, читаемость, эффективность, безопасность, обработка граничных случаев и покрытие тестами. Запускает опциональные наборы предварительной верификации (например, npm run preflight) для выявления...
official
docs-changelog
google-gemini
Генерирует и форматирует файлы журнала изменений для новых релизов с использованием шаблонов, учитывающих версии, и извлечением ключевых моментов. Обрабатывает три типа релизов: стабильные минорные версии, стабильные патчи и предварительные релизы, каждый с отдельными процедурами обновления файлов. Автоматически обрабатывает необработанные заметки о релизе в формате Markdown, преобразуя URL-адреса PR в ссылки Markdown и удаляя разделы с участниками. Генерирует краткие сводки ключевых моментов из 3–5 пунктов для анонсов релизов, отдавая приоритет новым функциям перед исправлениями ошибок. Поддерживает...
official
docs-writer
google-gemini
Техническое написание и редактирование документации Gemini CLI с строгим соблюдением стиля. Обеспечивает соблюдение всеобъемлющих стандартов документации, охватывающих голос, тон, грамматику, форматирование и структуру для обеспечения согласованности во всех файлах .md и содержимом каталога /docs. Требует изучения соответствующего кода и существующей документации перед внесением изменений, с проверкой затронутых страниц и обновлений боковой навигации. Применяет определенные правила для заголовков, списков, процедур, ссылок и доступности,...
official
github-issue-creator
google-gemini
Используйте этот навык, когда вас просят создать задачу в GitHub. Он обрабатывает различные типы задач
official
pirate-skill
google-gemini
Говорить как пират.
official