Eval ハーネススキル

eval 駆動開発（EDD）原則を実装する Claude Code セッション用の正式な評価フレームワークです。

起動条件

• AI アシストワークフローのための eval 駆動開発（EDD）のセットアップ
• Claude Code タスク完了のための合格/不合格基準の定義
• pass@k メトリクスによるエージェント信頼性の測定
• プロンプトやエージェント変更のためのリグレッションテストスイートの作成
• モデルバージョン間のエージェントパフォーマンスのベンチマーク

哲学

Eval駆動開発はevalを「AI開発のユニットテスト」として扱う:

• 実装前に期待される動作を定義
• 開発中にevalを継続的に実行
• 各変更でリグレッションを追跡
• 信頼性測定にpass@kメトリクスを使用