vercel-plugin-eval

от vercel

Запускает живые eval-сессии против vercel-plugin для проверки поведения хуков, инъекции навыков, корректности дедупликации и покрытия. Запускает реальные сессии Claude Code…

npx skills add https://github.com/vercel/vercel-plugin --skill vercel-plugin-eval

Plugin Eval

Launch real Claude Code sessions with the plugin installed, monitor debug logs in real-time, and verify every hook fires correctly with proper dedup.

DO NOT (Hard Rules)

  • DO NOT use claude --print or -p — hooks don't fire, no files created
  • DO NOT use --dangerously-skip-permissions
  • DO NOT create projects in /tmp/ — always use ~/dev/vercel-plugin-testing/
  • DO NOT manually wire hooks or create settings.local.json — use npx add-plugin
  • DO NOT set CLAUDE_PLUGIN_ROOT manually
  • DO NOT use bash -c in WezTerm — use /bin/zsh -ic
  • DO NOT use full path to claude — use the x alias
  • DO NOT write eval scripts — do everything as Bash tool calls in the conversation

Copy the exact commands below. Do not improvise.

Quick Start

Always append a timestamp to directory names so reruns don't overwrite old projects:

# 1. Create test dir & install plugin (with timestamp)
TS=$(date +%Y%m%d-%H%M)
SLUG="my-eval-$TS"
mkdir -p ~/dev/vercel-plugin-testing/$SLUG
cd ~/dev/vercel-plugin-testing/$SLUG
npx add-plugin https://github.com/vercel/vercel-plugin -s project -y

# 2. Launch session via WezTerm
wezterm cli spawn --cwd /Users/johnlindquist/dev/vercel-plugin-testing/$SLUG -- /bin/zsh -ic \
  "unset CLAUDECODE; VERCEL_PLUGIN_LOG_LEVEL=debug x '<PROMPT>' --settings .claude/settings.json; exec zsh"

# 3. Find debug log (wait ~25s for session start)
find ~/.claude/debug -name "*.txt" -mmin -2 -exec grep -l "$SLUG" {} +

What to Monitor

Hook firing (all 8 registered hooks)

LOG=~/.claude/debug/<session-id>.txt

# SessionStart (3 hooks)
grep "SessionStart.*success" "$LOG"

# PreToolUse skill injection
grep -c "executePreToolHooks" "$LOG"        # total calls
grep -c "provided additionalContext" "$LOG"  # injections

# UserPromptSubmit
grep "UserPromptSubmit.*success" "$LOG"

# PostToolUse validate + shadcn font-fix
grep "posttooluse-validate.*provided" "$LOG"
grep "PostToolUse:Bash.*success" "$LOG"

# SessionEnd cleanup
grep "SessionEnd" "$LOG"

Dedup correctness (the key metric)

TMPDIR=$(node -e "import {tmpdir} from 'os'; console.log(tmpdir())" --input-type=module)
CLAIMDIR="$TMPDIR/vercel-plugin-<session-id>-seen-skills.d"

# Claim files = one per skill, atomic O_EXCL
ls "$CLAIMDIR"

# Compare: injections should equal claims
inject_meta=$(grep -c "skillInjection:" "$LOG")
claims=$(ls "$CLAIMDIR" 2>/dev/null | wc -l | tr -d ' ')
echo "Injections: $((inject_meta / 3)) | Claims: $claims"

skillInjection: appears 3x per actual injection in the debug log (initial check, parsed, success). Divide by 3.

PostToolUse validate quality

Look for real catches — API key bypass, outdated models, wrong patterns:

grep "VALIDATION" "$LOG" | head -10

Scenario Design

Describe products and features, never name specific technologies. Let the plugin infer which skills to inject. Always end prompts with: "Link the project to my vercel-labs team so we can deploy it later. Skip any planning and just build it. Get the dev server running."

Coverage targets by scenario type

Scenario TypeSkills Exercised
AI chat appai-sdk, ai-gateway, nextjs, ai-elements
Durable workflowworkflow, ai-sdk, vercel-queues
Monorepoturborepo, turbopack, nextjs
Edge auth + routingrouting-middleware, auth, sign-in-with-vercel
Chat bot (multi-platform)chat-sdk, ai-sdk, vercel-storage
Feature flags + CRMvercel-flags, vercel-queues, ai-sdk
Email pipelineemail, satori, ai-sdk, vercel-storage
Marketplace/paymentspayments, marketplace, cms
Kitchen sinkmicro, ncc, all niche skills

Hard-to-trigger skills (8 of 44)

These need explicit technology references in the prompt because agents don't naturally reach for them:

  • ai-elements — say "use the AI Elements component registry"
  • v0-dev — say "generate components with v0"
  • vercel-firewall — say "use Vercel Firewall for rate limiting"
  • marketplace — say "publish to the Vercel Marketplace"
  • geist — say "install the geist font package"
  • json-render — name files components/chat-*.tsx

Coverage Report

Write results to .notes/COVERAGE.md with:

  1. Session index — slug, session ID, unique skills, dedup status
  2. Hook coverage matrix — which hooks fired in which sessions
  3. Skill injection table — which of the 44 skills triggered
  4. Dedup stats — injections vs claims per session
  5. Issues found — bugs, pattern gaps, validation findings

Cleanup

rm -rf ~/dev/vercel-plugin-testing

Больше skills от vercel

vercel
vercel
Эмулированный REST API Vercel для локальной разработки и тестирования. Используйте, когда пользователю нужно взаимодействовать с конечными точками API Vercel локально, тестировать интеграции Vercel,…
cron-jobs
vercel
Конфигурация и лучшие практики Vercel Cron Jobs. Используйте при добавлении, редактировании или отладке запланированных задач в vercel.json.
codegen
vercel
Утилиты генерации кода для json-render. Используйте при генерации кода из UI-спецификаций, создании пользовательских экспортёров кода, обходе спецификаций или сериализации свойств для…
next-best-practice
vercel
Лучшие практики Next.js — соглашения о файлах, границы RSC, шаблоны данных, асинхронные API, метаданные, обработка ошибок, обработчики маршрутов, оптимизация изображений/шрифтов,…
benchmark-sandbox
vercel
Запускает сценарии оценки vercel-plugin в песочницах Vercel вместо локальных панелей WezTerm. Предоставляет эфемерные микроВМ с предустановленными Claude Code и плагином,…
write-guide
vercel
Создайте техническое руководство, которое обучает реальному примеру использования через последовательные примеры. Концепции вводятся только тогда, когда они нужны читателю.
benchmark-testing
vercel
Создаёт и запускает проекты бенчмарк-тестов для проверки инжекции навыков vercel-plugin в реалистичных сценариях. Настраивает изолированные директории, устанавливает…
ai-gateway
vercel
Экспертное руководство по Vercel AI Gateway. Используйте при настройке маршрутизации моделей, отказоустойчивости провайдеров, отслеживания затрат или управления несколькими AI-провайдерами через единый…