CommunityCodierung & Entwicklunggithub.com

oneal2000/SR-Agents

SRA-Bench und SR-Agents: ein Benchmark und Toolkit für Skill-Retrieval-gestützte LLM-Agenten.

Was ist SR-Agents?

SR-Agents ist ein Toolkit und Benchmark, das speziell für die Entwicklung und Evaluierung von LLM-Agenten entwickelt wurde, die Fähigkeiten (Skills) durch Retrieval nutzen. Es zielt darauf ab, die Effektivität von Agenten zu verbessern, indem sie relevante Skills aus einem Repository dynamisch abrufen können, anstatt auf fest codierte Fähigkeiten angewiesen zu sein. Das Projekt unterstützt Plattformen wie Claude Code, Cursor und Codex und bietet eine standardisierte Umgebung zum Testen und Vergleichen von Retrieval-augmentierten Agenten. Die Hauptkomponente SRA-Bench bietet eine Sammlung von Aufgaben und Metriken, um die Leistung von Agenten bei der Nutzung externer Skills zu bewerten.

Funktioniert mit~Claude Code~Codex CLI~Cursor
npx skills add oneal2000/SR-Agents

Installed? Explore more Codierung & Entwicklung skills: steipete/bluebubbles, steipete/eightctl, steipete/blucli · View all 6 →

In Ihrer bevorzugten KI fragen

Öffnet einen neuen Chat, in dem dieser Agent-Skill bereits geladen ist.

Dokumentation

Was macht SR-Agents?

SRA-Bench und SR-Agents: ein Benchmark und Toolkit für Skill-Retrieval-gestützte LLM-Agenten.

Übersicht

SR-Agents ist ein Toolkit und Benchmark für die Entwicklung von LLM-Agenten, die Fähigkeiten durch Retrieval aus einem Skill-Repository abrufen. Es ermöglicht Agenten, dynamisch relevante Fähigkeiten zu identifizieren und anzuwenden, um komplexe Aufgaben effektiver zu lösen.

Funktionen

  • Skill-Retrieval-Mechanismus: Agenten können relevante Fähigkeiten aus einer Sammlung abrufen, basierend auf der aktuellen Aufgabe.
  • Benchmark (SRA-Bench): Standardisierte Aufgaben und Metriken zur Bewertung der Retrieval-Effektivität und Agentenleistung.
  • Plattformunterstützung: Kompatibel mit Claude Code, Cursor, Codex und anderen LLM-Agenten-Plattformen.

Anwendungsfälle

  • Verbesserung der Agentenleistung durch dynamische Skill-Nutzung.
  • Vergleich verschiedener Retrieval-Strategien für LLM-Agenten.
  • Forschung und Entwicklung im Bereich Retrieval-Augmented Generation (RAG) für Agenten.

Erste Schritte

Informationen zur Installation und Nutzung finden Sie in der offiziellen Dokumentation des Repositories.

Lizenz

Dieses Projekt wird unter der angegebenen Lizenz im Repository bereitgestellt.

Verwandte Skills