Live eval harness: run every skill's refusal evals against a model (split rubric, CI-gated)
Los mantenedores suelen responder en 1 día
Nadie ha tomado este issue todavía.
Evaluación
- Dificultad
- 5/5
- Tiempo estimado
- Más de una semana
- Aptitud para principiantes
- 20/100
- Tipo de issue
- Nueva funcionalidad
- Claridad
- Bien especificado
- Estado de actividad
- Activo
- Stack tecnológico
- github-actions, python
- Área
- ai, ci-cd, security, testing-qa
Línea de trabajo
Start with scripts/test-ci-gates.sh, docs/roadmap.md, and the existing .claude/skills/*/evals/evals.json files to understand the current validation and eval formats. Then map out the schema changes, live eval runner, scheduled and dispatch workflow, and offline PR gate described in the issue. Done means all evals are covered, hard and soft axes use their specified checks, spend and judge separation are enforced, and a known-bad fixture fails the gate.
Escrito por el modelo de indexación a partir del texto del issue.
Descripción
The suite's load-bearing safety property — per-skill refusal evals — is only shape-validated today (scripts/test-ci-gates.sh), never executed against a model. Turns docs/roadmap.md Loop 2 (deterministic gates for boundary/non-fabrication + a decorrelated LLM-judge for soft axes) into built infrastructure.
Where: new scripts/run-evals.* consuming every .claude/skills/*/evals/evals.json; a scheduled/dispatch workflow; a schema extension (axis tag hard|soft + a machine-checkable predicate per hard expectation) across all evals + the shape validator.
Done when: harness runs each eval prompt against a configured subject model; deterministic predicate on hard axes, LLM-judge on soft only; aborts when judge==subject model id (decorrelation by identifier, no vendor name); a per-run spend cap is enforced before each call; writes a dated results artifact (per-eval pass/fail, model ids, spend); model choice in env/config only — no vendor/model name in any skill's prose.
Verify: live run on schedule/dispatch against main (where the secret lives), never on PR; a separate deterministic offline PR gate asserts the results artifact exists, is not stale, and covers every eval id — failing closed (not skip-when-key-absent). A golden known-bad fixture must be rejected by its predicate, proving the gate can fail.
Why: today a skill could silently start fabricating a TAM, CWE, or compliance verdict and every gate stays green. Single biggest hole in the safety story. Grounded by two independent review agents this session.
- Lenguaje dominante
- Python
- Estrellas
- 2
- Forks
- 1
- Merge medio
- 1 h 29 min
- PR fusionados (30 d)
- 551
Preparar el entorno
- Sin Dockerfile ni archivo de Docker Compose
- Tiene una plantilla de pull request
- Leer la guía de contribución
Primeros pasos
- Lee el issue completo y luego la guía de contribución del proyecto.
- Comenta en el issue que vas a ocuparte — evita que dos personas hagan lo mismo.
- Haz un fork del repositorio y trabaja en una rama.
- Abre un pull request que haga referencia al número del issue.
Más de protocol/perun
-
Dificultad 4/5 3-5 días Aptitud para principiantes 45/100
protocol/perun#1779 · 1 comentario ·
Los mantenedores suelen responder en 1 día
-
area:delivery enhancement priority:medium
Dificultad 5/5 Más de una semana Aptitud para principiantes 35/100
protocol/perun#1592 · 1 comentario ·
Los mantenedores suelen responder en 1 día
-
area:quality enhancement priority:medium
Dificultad 5/5 Más de una semana Aptitud para principiantes 35/100
Los mantenedores suelen responder en 1 día
-
area:delivery enhancement priority:high
Dificultad 5/5 Más de una semana Aptitud para principiantes 25/100
protocol/perun#1574 · 1 comentario ·
Los mantenedores suelen responder en 1 día
-
area:decisions enhancement priority:medium
Dificultad 5/5 Más de una semana Aptitud para principiantes 25/100
protocol/perun#1572 · 2 comentarios ·
Los mantenedores suelen responder en 1 día
Todos los issues de protocol/perun
Issues similares
-
Dificultad 2/5 1-3 horas Aptitud para principiantes 72/100
Los mantenedores suelen responder en 1 día
-
enhancement good first issue
Dificultad 2/5 1-3 horas Aptitud para principiantes 78/100
elviskahoro/sdk-python-attio#144 · 1 comentario ·
Los mantenedores suelen responder en 1 día
-
Dificultad 2/5 1-3 horas Aptitud para principiantes 84/100
Los mantenedores suelen responder en 1 día
-
RenyiELBO raises TypeError when model has no sample sitesPosiblemente ocupada @alibb007 la tomó hoy. Abierto
Dificultad 1/5 Menos de una hora Aptitud para principiantes 85/100
Los mantenedores suelen responder en 1 día
-
[Bug]: Four evaluation scripts unpack init_memmachine_params's five return values into three namesAbierto
Dificultad 1/5 Menos de una hora Aptitud para principiantes 88/100
MemMachine/MemMachine#1911 ·
Los mantenedores suelen responder en 3 días