SuperAPI AI 工具集
合作ENAI 行业资讯收藏

Skill 广场

找到适合任务的 Agent Skill，阅读介绍并复制安装命令。

更新于 10-24 00:15

测试与质量

12,574 个结果

evaluating-llms-harness

lm-evaluation-harness 是一个用于评估大语言模型（LLM）的基准测试工具，覆盖 60 多个学术基准，包括 MMLU、HumanEval、GSM8K、TruthfulQA、HellaSwag 等。它通过标准化提示词和指标对模型进行评测，适用于模型质量基准测试、模型对比、训练进度跟踪以及报告标准化指标等场景。工具支持 HuggingFace 模型、量化模型、自定义检查点，并可通过 vLLM 后端加速推理。安装方式为 pip install lm-eval，通过 lm_eval 命令行调用。

测试与质量25 次安装

nemo-evaluator-sdk

NeMo Evaluator SDK 是 NVIDIA 提供的企业级大语言模型评测工具，通过容器化、可复现的方式，在 100 多个基准测试和 18 个以上评测框架（harness）上评估 LLM，涵盖 MMLU、HumanEval、GSM8K、安全评测与视觉语言模型（VLM）任务。它支持多种执行后端，包括本地 Docker、Slurm HPC 集群和 Lepton 云。用户通过 pip 安装 nemo-evaluator-launcher，配置 API 端点与评测任务后即可运行，并可将结果导出到 MLflow、Weights & Biases 或本地 JSON。适用于需要对 OpenAI 兼容接口（vLLM、TRT-LLM、NIM 等）进行大规模、可复现评测的场景。

测试与质量25 次安装

tdd

TDD 是面向各类技术栈的测试驱动开发技能，指导“红 → 绿”循环，即先写失败测试、再写最小实现使其通过。它强调测试应验证公共接口上的行为而非实现细节，要求每次循环只处理一个接缝、一个测试和一个最小实现，不预先批量编写测试，也不在循环内重构。技能要求先阅读测试最佳实践并应用其价值门槛与拒绝规则；能从 composer.json、package.json、pyproject.toml、go.mod、Cargo.toml、Gemfile 等清单识别技术栈，当前仅提供 Laravel 的专项参考。接缝选择按优先级从高到低为：传输边界、UI 组件、CLI 命令、后台任务或事件处理器、领域服务、模型或数据类型，倾向于使用已有接缝并尽量少用。它还给出各技术栈通用规则：复用现有数据库隔离方案且不连接真实环境数据库；用工厂或构建器准备测试数据并命名有意义的变体；用框架 fake 替换队列、邮件、通知、存储和出站 HTTP 并断言副作用；处理日期时冻结或移动时钟而非 sleep；每个“用户可以”的测试都要配“用户不可操作他人记录”的测试。循环中只运行聚焦测试，支持时并行运行全量套件，CI 仍跑完整套件。适用于以测试优先方式开发功能，或需要在既有测试框架下开展 TDD 时参考。

测试与质量25 次安装

testing

这是一套面向 pytest 的 Python 测试编写最佳实践集合，供 AI 智能体与 LLM 参考，用于编写可读、可维护且可信赖的测试。内容分为四个分类：Mocking（关键级别，包括仅 mock 外部边界、使用 autospec 保持 mock 忠实于真实签名、用 monkeypatch 处理环境变量与属性）；Test Structure（高级别，包括 Arrange-Act-Assert 结构、按被测行为命名、每个测试只验证一个行为、避免测试中出现条件与循环）；Fixtures（高级别，包括使用尽可能窄的 fixture 作用域、将 fixture 放在最近的 conftest.py、用 factory fixture 生成多样化测试数据）；Parametrization（中级别，包括用 parametrize 替代重复测试、为参数化用例提供可读 id）。文档还给出结构、fixture、参数化和 mocking 的快捷参考代码示例，并指向 tooling / test-pytest 了解 pytest 配置、fixture 设置与覆盖率。

测试与质量25 次安装