Framework Benchmark cho Agent

Skill này làm gì

• Cung cấp rubric chấm điểm 0–100 cho từng agent: Đầy đủ (30) / Chính xác (30) / Khả thi hành động (20) / Tuân thủ định dạng (20).
• Định nghĩa cấu trúc thư mục chuẩn: fixtures (input mẫu), ground-truth (kết quả mong đợi dạng JSON), rubrics, baselines, results.
• Quy tắc phát hiện regression rõ ràng: giảm >10 điểm ở một fixture, giảm >5 điểm trung bình, fixture từ PASS thành FAIL, format compliance dưới 80.
• Bảng chỉ số theo dõi: accuracy, completeness, tỷ lệ false positive, thời gian phản hồi p50/p95, token trung bình, pass rate.
• Ví dụ GitHub Actions để chặn merge khi phát hiện regression.

Phù hợp với ai

• Người đang vận hành nhiều sub-agent/skill tùy chỉnh và thường xuyên chỉnh prompt.
• Người muốn biết bằng con số liệu việc sửa prompt có thật sự tốt hơn hay không.
• Team muốn có cổng kiểm soát chất lượng agent ngay trong CI.

Ví dụ sử dụng

1. Trước khi sửa định nghĩa agent code-reviewer, chạy --save-as before, sau khi sửa chạy --compare before để xem điểm từng fixture thay đổi thế nào.
2. Viết fixture missing-error-handling.ts cùng file ground truth, kiểm tra tự động xem agent có phát hiện thiếu try/catch ở mức HIGH không.
3. Chạy bộ regression hàng tuần cho security-reviewer; nếu điểm tụt từ 88 xuống 61 vì bỏ sót SQL injection, dùng báo cáo đó làm căn cứ revert thay đổi.

Lưu ý: script node ~/.claude/benchmarks/run.mjs không được đóng kèm trong skill — bạn phải tự viết theo đặc tả hoặc nhờ Claude tạo.

Hãy đọc hướng dẫn trong tệp này và làm theo để giúp mình:
https://raw.githubusercontent.com/vibeeval/vibecosystem/HEAD/skills/agent-benchmark/SKILL.md

Mình muốn: (viết việc bạn cần ở đây)

Hãy cài skill mình tìm thấy trên Claude Skill Mart.
Copy thư mục skills/agent-benchmark từ repo GitHub vibeeval/vibecosystem vào ~/.claude/skills/agent-benchmark/ của mình.
Sau khi cài xong, cho mình biết skill này làm được gì trong một câu.