Live eval harness: run every skill's refusal evals against a model (split rubric, CI-gated)
メンテナーはふだん 1 日以内に返信
まだ誰も着手していません。
評価
- 難易度
- 5/5
- 見積もり時間
- 1週間以上
- 初心者へのやさしさ
- 20/100
- issue の種類
- 機能追加
- 明瞭さ
- 明確に書かれている
- 活発さ
- 活発
- 技術スタック
- github-actions, python
- 領域
- ai, ci-cd, security, testing-qa
調査の方向性
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.
索引モデルが issue の本文から書いたものです。
説明
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.
- 主要言語
- Python
- スター
- 2
- フォーク
- 1
- 平均マージ
- 1時間 29分
- マージ済み PR（30日）
- 551
環境構築
- Dockerfile・Docker Compose ファイルなし
- プルリクエストのテンプレートあり
- コントリビューションガイドを読む
はじめの一歩
- issue を最後まで読み、次にプロジェクトのコントリビューションガイドを読みます。
- 着手することを issue にコメントします — 二人が同じ作業をするのを防げます。
- リポジトリをフォークし、ブランチを切って変更します。
- issue 番号を参照したプルリクエストを送ります。
protocol/perun のほかの issue
-
難易度 4/5 3〜5日 初心者へのやさしさ 45/100
protocol/perun#1779 · コメント 1 件 ·
メンテナーはふだん 1 日以内に返信
-
area:delivery enhancement priority:medium
難易度 5/5 1週間以上 初心者へのやさしさ 35/100
protocol/perun#1592 · コメント 1 件 ·
メンテナーはふだん 1 日以内に返信
-
area:quality enhancement priority:medium
難易度 5/5 1週間以上 初心者へのやさしさ 35/100
メンテナーはふだん 1 日以内に返信
-
area:delivery enhancement priority:high
難易度 5/5 1週間以上 初心者へのやさしさ 25/100
protocol/perun#1574 · コメント 1 件 ·
メンテナーはふだん 1 日以内に返信
-
area:decisions enhancement priority:medium
難易度 5/5 1週間以上 初心者へのやさしさ 25/100
protocol/perun#1572 · コメント 2 件 ·
メンテナーはふだん 1 日以内に返信
似ている issue
-
難易度 2/5 1〜3時間 初心者へのやさしさ 72/100
メンテナーはふだん 1 日以内に返信
-
enhancement good first issue
難易度 2/5 1〜3時間 初心者へのやさしさ 78/100
elviskahoro/sdk-python-attio#144 · コメント 1 件 ·
メンテナーはふだん 1 日以内に返信
-
難易度 2/5 1〜3時間 初心者へのやさしさ 84/100
メンテナーはふだん 1 日以内に返信
-
RenyiELBO raises TypeError when model has no sample sites対応中かも @alibb007 が今日担当しました。 オープン
難易度 1/5 1時間未満 初心者へのやさしさ 85/100
メンテナーはふだん 1 日以内に返信
-
[Bug]: Four evaluation scripts unpack init_memmachine_params's five return values into three namesオープン
難易度 1/5 1時間未満 初心者へのやさしさ 88/100
MemMachine/MemMachine#1911 ·
メンテナーはふだん 3 日以内に返信