AI 写代码总差一点？这个 GitHub 20k+ Stars 的 Skill 给 AI 加了个内置 QA

你有没有发现，现在大部分 AI 编程工具都是”一枪头”模式——生成代码，完事。但实际工作中，一遍过的代码质量往往不够。

GitHub 最近在 awesome-copilot 项目里放了一个叫 agentic-eval 的 Skill，专门解决这件事：给 AI 加一个自我评估 + 迭代改进的闭环。

核心就是一个循环：

生成 → 评估 → 批评 → 优化 → 再生成

听起来简单，但背后有一套完整的评估策略：

1. Basic Reflection（基础反思）
让 AI 生成一次答案后，再让另一个 LLM 调用专门对照标准去评价，标记 PASS/FAIL，然后针对失败的点重新生成。这个模式适合代码、报告、分析报告这类质量要求高的场景。

2. Evaluator-Optimizer（评估器-优化器分离）
把”生成”和”评估”拆成两个独立组件，各自有明确的职责。生成器负责干活，评估器负责打分，分数不达标就打回重做。好处是逻辑清晰，容易调参。

3. Code-Specific Reflection（代码专项反思）
生成代码后自动跑测试，失败了就让 AI 根据报错自己修，修完再跑，再失败再修——最多循环 3 轮。这个对 TDD（测试驱动开发）场景特别有用。

4. 多种评估策略
– Outcome-Based：看输出有没有达到预期结果
– LLM-as-Judge：用另一个 LLM 来对比两条输出哪个更好
– Rubric-Based：按维度打分（准确性 40%、清晰度 30%、完整性 30%），加权算总分

什么时候用？
– 写重要代码不想第一版就埋雷
– 生成报告要求格式/风格达标
– 需要对 AI 输出做质量门槛管控

实话说，这个 Skill 本身更像一套方法论文档（SKILL.md），但他把 Agent 自我提升的核心套路梳理得很清楚，GitHub 20.5k stars 说明开发者对这类”AI 迭代改进”模式的关注度在上升。

如果你用 Claude Code 或者 GitHub Copilot，装上这个 Skill 相当于给 AI 配了一个内置 QA，值得试试。

GitHub 链接：
github/awesome-copilot/skills/agentic-eval

GitHub: https://github.com/github/awesome-copilot/tree/main/skills/agentic-eval