GitHub 开源新 Skill：让 AI 自己给自己打分的编程工作流！

你有没有这种感觉——让 AI 写代码，第一版看起来挺对，但就是不知道它到底靠不靠谱？

这就是 Agentic Eval 要解决的问题。

GitHub 前两天悄悄在 awesome-copilot 仓库里上线了一个新 Skill，叫 agentic-eval，专门教 AI Agent 如何自我评测 + 迭代改进。说出来好像很玄，但实际上你完全可以把这个工作流用到自己的 Claude Code / Cursor / VS Code AI 编程流里。

三个核心模式，总有一款适合你

1. Basic Reflection（自我反思）

让 AI 写完代码后，自己给自己打一批评判题——比如”这段代码有没有边界问题？””逻辑是否完整？””有没有安全漏洞？”

for i in range(max_iterations):
    critique = llm(f"用 JSON 评价这段代码：{output}，标准：{criteria}")
    if all_pass:
        return output
    output = llm(f"根据反馈改进：{failed}，原代码：{output}")

本质就是一个 Generate → Evaluate → Refine 的循环，直到所有检查项都 PASS。

2. Evaluator-Optimizer（裁判分离）

把”生成者”和”评判者”拆成两个独立模块，职责更清晰。生成模型负责干活，评判模型负责打分——两个模型可以不同，也允许用同一个但不同的 Prompt。

class EvaluatorOptimizer:
    def run(self, task):
        output = self.generate(task)
        for _ in range(max_iterations):
            score = self.evaluate(output, task)
            if score >= threshold:
                return output
            output = self.optimize(output, feedback)

3. Code-Specific Reflection（代码专项）

专门针对代码场景设计的 TDD 循环：AI 生成代码 → AI 生成测试 → 运行测试 → 失败就修 → 直到测试通过。

for _ in range(max_iterations):
    result = run_tests(code, tests)
    if result["success"]:
        return code
    code = llm(f"根据错误修复：{result['error']}，原代码：{code}")

评测策略：四种武器

为什么这对编程工具党有用？

我之前写过好几篇关于 Claude Code / Cursor 的文章，有个共同痛点：AI 写代码容易，但判断它写得对不对、够不够好，全靠人肉 Review。

agentic-eval 给了你一套自动化这个 Review 环节的套路。接入工作流后，AI 写代码 → 自己跑测试 → 自己打分 → 不及格就重写——整个过程全自动，你只需要最后看一眼结果。

特别适合：自动化测试还没写完的项目、AI 生成代码需要做合规审查的团队、想给 AI 编程工具加一层质量门的个人开发者。

仓库在 GitHub，Skill 文件就是 SKILL.md，可以直接拽到你的 Claude Code 项目里用。

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

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