agent-eval-harness

智能体回归评测：用一组回归测试用例驱动 agent 并量化通过率，与历史基线比对自动标记能力 回退，让超级智能体是否真在超越一线大模型变得可度量、可审计、可防止退化。

agent-eval-harness（智能体回归评测）

由 meta-evolver 在「智能体评估与可信部署」域构建。解决"自我宣称超越却无法度量"的空话： 把能力变成可重复跑的测试套件与通过率曲线，是北极星最后一公里"可被度量"的落地层。

何时使用

• 想验证某次技能/提示词/模型升级后 agent 能力是否真的变强、有无回退。
• 持续监控生态内关键技能的回归（CI 式跑测试套件）。
• 给 meta-evolver 的「反思驱动重规划」提供客观通过率信号，而非主观感觉。

工作流

1. 定义用例：TestCase(cid, prompt, expect_contains | expect_fn) 描述输入与判定。
2. 驱动 agent：EvalHarness.run(agent_fn) 把每个 prompt 喂给被测函数/技能，记录输出与判定。
3. 量化：summary() 给出 total / passed / pass_rate。
4. 回归检测：与 regression.jsonl 历史基线比对，通过率回退 >10 个百分点即标记 regressed=True。
5. 防退化：回归告警触发复盘（接 reflection-replanner）定位退化根因。

脚本

scripts/eval_harness.py（纯标准库）：

• TestCase / EvalHarness：add / run(agent_fn) / summary() / 基线读写。
• CLI：--selftest 自检（含 agent 退化触发回归告警的场景）。

自验证

bash

python scripts/eval_harness.py --selftest

断言：1/2 通过率=0.5 且首轮不报回归；agent 退化后 0/2 通过率=0 且基线 0.5 触发回归。

与四引擎闭环的关系

• 度量层：summary().pass_rate 可作为 super-agent 的「健康度」指标写入 memory-cross-engine。
• 触发层：回归告警 → reflection-replanner 重规划 → 修复后复测，形成"度量→反思→修复"小闭环。

已知限制

• 当前 agent_fn 为同步 callable，未内置异步/多轮对话驱动；复杂 agent 需在外层包一层适配。
• 判定以子串/函数为主，语义等价判定建议接 reason-verify 增强。

---

自进化学习系统（越用越好用、越用越高效）

本技能内置通用学习模块 scripts/learner.py。每次使用后自动复盘、积累经验，逐步提升输出质量与执行效率，无需人工维护。

记忆文件

learned_patterns.json（位于本技能目录）记录：操作总数、各能力使用频次、错误模式、用户偏好、改进建议。

使用后请调用（Bash）

bash

# 记录一次成功使用（--capability 填本次主要能力名，如「简历优化」「比价」）
python scripts/learner.py record <本技能目录> --capability 简历优化
# 记录一次失败/异常
python scripts/learner.py record <本技能目录> --capability 简历优化 --fail --error 格式识别失败 --note "用户上传了非标准文件"
# 记录用户偏好（下次直接使用）
python scripts/learner.py prefer <本技能目录> --key 输出语言 --val 中文
# 查看累计洞察（高频能力 / 反复错误）
python scripts/learner.py insight <本技能目录>
# 自动复盘（错误≥3次 或 操作≥10次 时给出改进建议）
python scripts/learner.py reflect <本技能目录>

迭代规则

• 错误累计 ≥3 次 → 主动增加预检/兜底步骤，并将经验回写本 SKILL.md。
• 操作数 ≥10 次 → 分析高频能力优先打磨示例与质量，低频能力评估精简或合并。
• 重要用户偏好 → 写入 learned_patterns.json，下次调用直接采用，减少重复询问。

越用越懂你：第一次用是通用能力，第十次用已沉淀为你专属的最佳实践。