Skip to content

test: AI評価の検出率、誤検出、揺れを手元のセッションで測る仕組みを作る(#77) - #87

Merged
knk1313 merged 1 commit into
mainfrom
test/77-ai-eval
Nov 3, 2026
Merged

knk1313 merged 1 commit into
mainfrom
test/77-ai-eval

Conversation

@knk1313

@knk1313 knk1313 commented Nov 3, 2026

Copy link
Copy Markdown
Owner

🙋 誰が出すか(Author)

  • 書いた人:AIエージェント(管理者の依頼で書いた)
  • AIが書いた場合のモデルとハーネス:Claude Opus 5.5、Claude Code 2.1.312
  • 依頼した人の指示:
  • diffを確認した人:

✍️ 人が書く要約(Human-authored summary)

👏 解決する issue / Resolved Issues

  • なし(#77の一部)

📝 関連する issue / Related Issues

⛏ 変更内容 / Details of Changes

AI評価(prompts/evaluate.md)の検出率、誤検出、実行ごとの揺れを測る仕組みを、tests/ai-eval/に作った。評価はCIやAPIではなく、手元のClaude Codeのセッションのサブエージェントが行う。APIの従量課金をかけないためである。

ファイル 役割
tests/ai-eval/pairs/<ルールのファイル名>.jsonl AIで評価するルールの対の文。形はtests/corpus/pairs/と同じ
tests/ai-eval/prepare.mjs 対の文から、評価する文書を書き出す
tests/ai-eval/collect.mjs サブエージェントが書いた文書ごとの結果を、1回分の結果のファイルにまとめる
tests/ai-eval/report.mjs 結果から、ルールごとの表をモデルごとに出す。モデルは呼ばない
tests/ai-eval/results/ 評価の結果。モデル、日付、回を付けて残す
tests/ai-eval/README.md セッションで測る手順
tests/ai-eval.test.mjs 対の文と結果のファイルの形、集計が動くことをCIで確かめる

試しに、禁止語のAIルール5つ(25対)を、claude-opus-5-5で2回評価した。

ルールID 対 検出率 直した文での誤検出 揺れた対
FW-003 5 100% 0 0
FW-005 5 100% 0 0
FW-006 5 90% 0 1
FW-007 5 100% 0 0
FW-009 5 100% 0 0
  • FW-006の「不具合などがあれば」は、1回目は見つけ、2回目は見逃した
  • FW-006の最初の対のうち2つは、例を挙げたうえで「など」を付けた文で、違反かどうかを文だけでは決められなかった。例を挙げない文に替えて評価し直した
  • 使用量は、1つのサブエージェントが文書25件を評価して約10万トークンだった。大半はルールのファイルを読む分である

残りのAIで評価するルール(約52件)は、ルールのファイルごとに別のPRで足す。

🔎 既存のPR / Existing PRs

  • openとclosedの両方で、同じ問題を扱うPRを探した
  • 関連するPR:なし

🔍 確認したこと / Verification

  • 変更した日本語をskills/docs-rules/rules/のルールに照らして点検した(node --test tests/*.test.mjsの採点のテストを含め、67件が通った)
  • ファイルやディレクトリを増減した場合、README.mdのディレクトリ構成を更新した(tests/ai-eval/を足した)
  • .claude-plugin/やスキルの置き場所を変えた場合、CONTRIBUTING.mdの「プラグイン配布の検証」を通した(claude plugin validate .が通った)
  • python3 tests/test_skill_size.pyを通した
  • 関係のない変更を混ぜていない

🤖 Generated with Claude Code

- tests/ai-eval/に、対の文、評価する文書の準備、結果のまとめ、集計のスクリプトと手順を置いた
- 評価はCIやAPIでなく、手元のClaude Codeのセッションのサブエージェントが行う
- 禁止語のAIルール5つの対の文25対を、claude-opus-5-5で2回評価した結果を残した
- CIでは、対の文と結果のファイルの形と、集計が動くことだけを確かめる

Co-Authored-By: Claude Opus 5.5 <noreply@anthropic.com>
@knk1313
knk1313 merged commit 846f922 into main Nov 3, 2026
2 checks passed
@github-actions

github-actions Bot commented Nov 3, 2026

Copy link
Copy Markdown

Thank you for your contribution! 🎉

Spinning cat

Sign up for free to join this conversation on GitHub. Already have an account? Sign in to comment

Labels

None yet

Projects

None yet

Development

Successfully merging this pull request may close these issues.

1 participant