Show HN：デモではなく評価を中心に構築されたAIエージェントスキルリポジトリ
このプロジェクトは、各スキルに回帰評価の記録が付属した再利用可能なAIエージェントスキル集です。主な成果物は評価記録であり、デモではありません。ワールドカップ予想レポートスキルの例を提供し、評価の実行、比較、プロモーション方法を詳しく説明しています。
最近、開発者sourishkroutがGitHub上で「Skills」というAIエージェントスキルリポジトリを公開しました。従来のデモ中心のプロジェクトとは異なり、このリポジトリは評価（evals）を中心に構築されている点が特徴です。各スキルには完全な回帰評価トラックレコードが付属しており、開発者はまずその記録を確認してからクローンやコードの実行を判断する必要があります。
現在、リポジトリには「world-cup-picks-report」というサンプルスキルが含まれており、2026年ワールドカップの予測レポートを生成します。イベントは終了しましたが、評価トラックレコードは引き続き有効であり、参考になります。開発者は2つのダッシュボードで評価の進捗を監視できます：Trendダッシュボードは主要指標と回帰傾向を表示し、Harborダッシュボードはすべてのジョブとタスクトライアルの完全な履歴を保存します。また、ローカルにクローンした後はrunme eval viewコマンドで履歴を閲覧することも可能です。
スキルの使用は簡単です。npxコマンドでグローバルインストールするか、Claude Codeマーケットプレイスから追加できます。
npx skills add -g https://github.com/sourishkrout/skills --skill world-cup-picks-reportまたは
/plugin marketplace add sourishkrout/skills
/plugin install world-cup-picks-report@sourishkrout-skillsローカルで評価を実行する前に、リポジトリをクローンして依存関係をインストールし、Anthropic APIキー（LLM評価用）をエクスポートする必要があります。評価プロセスは複数のAIエージェント（Codex、Claude Code、Cursor CLI、OpenClawなど）をサポートしています。完全な回帰評価を実行するコマンドは以下の通りです：
runme eval skills/world-cup-picks-report/evals/regression \
--agent codex \
--ak reasoning_effort=xhighオラクルのみを実行する場合は：
runme eval skills/world-cup-picks-report/evals/regression評価後、最新結果とGitベースラインを比較するには：
runme eval compare skills/world-cup-picks-report/evals/regressionプロモーションのプレビューは：
runme eval promote skills/world-cup-picks-report/evals/regression --latest --dry-run結果に満足したら、プロモーションコマンドで新しいベースラインとして設定できます。デフォルトでは評価証拠は圧縮されますが、--artifactsオプションで完全なログを保持できます。Harbor展示は公開されているため、プロモーション前に証拠を注意深く確認する必要があります。プロモーションコミットをメインブランチにプッシュすると、GitHub Actionsが自動的に結果を公開します。
このリポジトリはMITライセンスの下で提供されており、現在は初期段階ですが、評価中心のアプローチは信頼性の高いAIエージェントを構築するための貴重な指針を提供します。詳細なドキュメントと例はGitHubで確認できます。