跳转到主要内容
一个 eval 是一个可运行的测试用例。它通常由一个 *.eval.ts 文件导出,通过 defineEval 声明。

评估用例的组成

核心字段: 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 idnameNiceEval 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:
这种方式让 ID 稳定、可读,并自然跟目录结构保持一致。位置参数采用裸字符串前缀: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、runs、attempt 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

Scoring

NiceEval 收集值断言、作用域断言、judge 分数和测试结果。
5

Verdict

所有断言结果折叠成一个最终 verdict。
6

Report

控制台和 reporters 输出结果,同时写入 .niceeval/ artifacts。

Verdict 类型

passed

所有 gate 断言通过(--strict 下 soft 断言也都达到阈值),并且没有执行错误。

failed

至少一个 gate 断言失败,或 --strict 下有 soft 断言低于阈值。

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)

gate 与 soft

gate 是硬门槛,失败会让 eval 失败;soft 参与打分,但不一定让 eval 失败。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:
生成 ID 类似 sql/0000sql/0001。详见 数据驱动测试

相关阅读

  • 实验 — 另一半:评谁、怎么跑;为什么和评估用例分开(晚绑定)。
  • Assert — gate 与 soft 的完整判定规则。