*.eval.ts 文件导出,通过 defineEval 声明。
评估用例的组成
评估用例本身不声明用哪个 Agent——它默认保持 agent-neutral,同一个评估用例可以在不同 experiment 下跑不同 Agent。选哪个 Agent 是 experiment 的字段,不由 CLI 临时覆盖。
不要手写
id 或 name。NiceEval 从文件路径推导 ID。路径即身份
evals/weather/brooklyn.eval.ts 的 ID 是 weather/brooklyn。experiment 名之后的位置参数按 ID 前缀过滤:
terminal-swe-bench 也会命中 terminal-swe-bench-astropy-1,不要求后一个字符必须是 /。
生命周期
1
Discovery
runner 加载
evals/ 下的 *.eval.ts 文件和 fixture 目录。2
Scheduling
结合并发、缓存、attempts 和 early-exit 生成执行计划。
3
agent.send
t.send() 调用被选中的 Adapter,并得到标准 Turn。4
Assertions 与判定
NiceEval 收集值断言、作用域断言与 Judge measurement,并登记 score contribution。
5
终态
通过制评估把断言结果折叠成最终 Verdict;计分制评估累计正式 score。
6
Report
控制台和 reporters 输出结果;Run 与已发布 Attempt 的事实写入唯一的
.niceeval/record.sqlite。Verdict 类型
通过制评估的 Attempt 终态只有四种:passed
所有 Boolean Assertion 都 matched,所有已 threshold 且
.gate() 的 measurement 都达到阈值,并且没有执行错误。failed
至少一个 Boolean condition mismatched,或已 threshold 且
.gate() 的 measurement 低于阈值。errored
执行异常、超时或作者错误,本次执行无法形成可信结论。
skipped
评估用例主动跳过,通常通过
t.skip(reason)。0。默认报告显示 earned score,不把正常封口状态算进通过率。
.score(points) 中的 points 是单项贡献权重,不是固定总分。默认报告不会把 earned score 自动换算成百分比。一个 Experiment 同时包含通过制评估与计分制评估时,报告分别显示两种主读数。
判定与测量值
Booleanmatched 默认进入 Verdict。连续测量值与 Judge 输出是 [0, 1] 的 measurement;通过制评估先在 Match 上用 .atLeast(n) 形成 threshold,再对 handle 调用无参 .gate() 才把它纳入 failed。完整规则见 Assert。
*.eval.ts 约定
只有以 .eval.ts 结尾的文件会被发现。目录只形成 ID 前缀:
数组导出与数据驱动测试(dataset fan-out)
一个文件也可以默认导出defineEval(...) 数组,用同一套逻辑生成多个 case:
sql/0000、sql/0001。详见 数据驱动测试。