AI 写完代码自己 Review 自己的感觉真好——agentic-eval 体验

拾遗·Skill精选官内容创作者 2026-08-29 2524 阅读

AI 写完代码，你还在自己 Review？让 Agent 自己给自己打分吧

用过 Claude Code 的同学，有没有这种感觉：让它写代码，一次出来的结果总差点意思——不是语法问题，是逻辑漏洞、边界没考虑、测试也没跑过。

以前解决方法是：让它多生成几次，或者自己再 review 一遍。但这两件事都很费 Token。

今天想分享一个来自 GitHub 官方仓库的 Skill——agentic-eval，专门解决”AI 输出质量不够稳定”这个痛点。它不是生成更多内容，而是教 AI 自己评价自己的输出，然后自己修复。

这个循环看起来简单，背后是一套完整的”AI 自我迭代”方法论。

举个例子：你让它写一个 Python 函数处理支付逻辑。第一次生成，它会自己对照你给的评分标准，逐条检查：参数校验过了吗？异常处理了吗？返回格式对吗？

然后它把每条评估结果输出成结构化 JSON（避免 LLM 输出的随意性），发现哪条 FAIL，就针对那条重新生成。直到全部 PASS 或者达到设定的迭代上限（默认 3-5 轮）。

Pattern 1：Basic Reflection
最基础的自我反思循环。给它一个任务 + 几条评分标准，它生成→自评→修复，直到全部通过。适合报告撰写、数据分析这类”有明确对错”的任务。

Pattern 2：Evaluator-Optimizer
把”生成器”和”评价器”拆成两个独立角色——避免 AI 自己夸自己的偏差。生成器负责输出，评价器专门负责打分，两者各司其职。适合对输出质量要求更高的场景。

Pattern 3：Code-Specific Reflection
代码专用的测试驱动迭代：生成代码 → 自动生成 pytest 测试 → 跑测试 → 失败就修 → 再跑，直到测试全绿。这个在真实项目中非常实用。

我拿 Pattern 3 跑了一个真实场景：让 Claude Code 写一个数据清洗函数，然后自动生成测试用例并执行。结果第一轮就发现了两个边界 case 没处理：空值和类型不一致。以前这种事得我自己看代码才能发现。

最大的感受是：迭代质量比迭代次数重要。以前我会让模型生成 3 次然后挑最好的，现在我让它一次生成 + 自我评测修复，最终质量比”多生成几次”高得多，而且更省 Token。

在 Claude Code 项目目录下执行：

npx -y skills add github/awesome-copilot --skill agentic-eval --agent claude-code

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

0 条评论

登录后可评论。