Eval Harness

グレーダータイプ

1. コードベースのグレーダー

コードを使用した決定論的チェック:

# ファイルに期待されるパターンが含まれているかチェック
grep -q "def handle_auth" src/auth.py && echo "PASS" || echo "FAIL"

# テストが通るかチェック
uv run pytest tests/test_auth.py && echo "PASS" || echo "FAIL"

# ビルドが成功するかチェック
uv run ruff check . && uv run mypy . && echo "PASS" || echo "FAIL"

2. モデルベースのグレーダー

Claude を使用してオープンエンドな出力を評価:

[MODEL GRADER PROMPT]
以下のコード変更を評価:
1. 述べられた問題を解決しているか？
2. 適切に構造化されているか？
3. エッジケースが処理されているか？
4. エラーハンドリングは適切か？

スコア: 1-5（1=不良、5=優秀）
理由: [説明]

3. 人間グレーダー

手動レビュー用にフラグ:

[HUMAN REVIEW REQUIRED]
変更: 何が変更されたかの説明
理由: なぜ人間のレビューが必要か
リスクレベル: LOW/MEDIUM/HIGH

メトリクス

pass@k

「k 回の試行で少なくとも 1 回成功」

• pass@1: 初回試行の成功率
• pass@3: 3 回以内の成功
• 典型的な目標: pass@3 > 90%

pass^k

「すべての k 回の試行が成功」

• 信頼性のより高い基準
• pass^3: 3 回連続成功
• クリティカルパスに使用

評価ワークフロー

1. 定義（コーディング前）

## EVAL DEFINITION: feature-xyz

### 機能評価
1. 新しいユーザーアカウントを作成できる
2. メール形式を検証できる
3. パスワードを安全にハッシュ化できる

### リグレッション評価
1. 既存のログインが引き続き動作
2. セッション管理が変更なし
3. ログアウトフローが無傷

### 成功メトリクス
- 機能評価の pass@3 > 90%
- リグレッション評価の pass^3 = 100%

2. 実装

定義された評価に合格するコードを書く。

3. 評価

# 機能評価を実行
[各機能評価を実行し、PASS/FAIL を記録]

# リグレッション評価を実行
uv run pytest tests/ -k "existing"

# レポートを生成

4. レポート

EVAL REPORT: feature-xyz
========================

機能評価:
  create-user:     PASS (pass@1)
  validate-email:  PASS (pass@2)
  hash-password:   PASS (pass@1)
  全体:            3/3 合格

リグレッション評価:
  login-flow:      PASS
  session-mgmt:    PASS
  logout-flow:     PASS
  全体:            3/3 合格

メトリクス:
  pass@1: 67% (2/3)
  pass@3: 100% (3/3)

ステータス: レビュー準備完了

統合パターン

実装前

/eval define feature-name

.claude/evals/feature-name.md に評価定義ファイルを作成

実装中

/eval check feature-name

現在の評価を実行してステータスをレポート

実装後

/eval report feature-name

完全な評価レポートを生成

評価ストレージ

プロジェクトに評価を保存:

.claude/
  evals/
    feature-xyz.md      # 評価定義
    feature-xyz.log     # 評価実行履歴
    baseline.json       # リグレッションベースライン

ベストプラクティス

1. コーディング前に評価を定義 - 成功基準について明確に考えることを強制
2. 評価を頻繁に実行 - リグレッションを早期にキャッチ
3. pass@k を経時的に追跡 - 信頼性のトレンドを監視
4. 可能な限りコードグレーダーを使用 - 決定論的 > 確率的
5. セキュリティは人間がレビュー - セキュリティチェックを完全に自動化しない
6. 評価を高速に保つ - 遅い評価は実行されない
7. 評価をコードとバージョン管理 - 評価は一級成果物

例: 認証の追加

## EVAL: add-authentication

### フェーズ 1: 定義（10 分）
機能評価:
- [ ] ユーザーがメール/パスワードで登録できる
- [ ] ユーザーが有効な認証情報でログインできる
- [ ] 無効な認証情報が適切なエラーで拒否される
- [ ] セッションがページリロードを超えて持続する
- [ ] ログアウトがセッションをクリアする

リグレッション評価:
- [ ] パブリックルートが引き続きアクセス可能
- [ ] API レスポンスが変更なし
- [ ] データベーススキーマが互換性あり

### フェーズ 2: 実装（可変）
[コードを書く]

### フェーズ 3: 評価
実行: /eval check add-authentication

### フェーズ 4: レポート
EVAL REPORT: add-authentication
==============================
機能: 5/5 合格（pass@3: 100%）
リグレッション: 3/3 合格（pass^3: 100%）
ステータス: 出荷準備完了