Из сессий с агентами получаются готовые evals

Каждый раз, когда выбираю сетап для кодового агента, я немного гадаю. Лучше ли эта новая модель? Помогает ли больше reasoning? Помогают ли эти скиллы?

Поэтому из ~1270 своих сессий в Claude Code, Codex и Pi я собрал 10 задач с автоматической проверкой и прогнал на них разные сетапы. Сделал пару публикаций про это, у меня спросили про то, как такое сделать самим. Поэтому вот!

Написал гайд + скилл, который делает большую часть работы

📊 Гайд: https://teletype.in/@ibragim_bad/fm5jSJvYb_5
🛠 Скилл: https://github.com/ibragim-bad/evals-from-sessions
🏆 Лидерборд: https://ibragim.dev/leaderboard/

оригинал в X: https://x.com/ibragim_bad/status/2111102467924496721?s=20