Skills Agentes

Benchmark E2e

Suite de benchmark end-to-end para vercel-plugin: ejecuta proyectos reales con inyección de skills, verifica servidores dev, analiza logs y genera un reporte de mejora.

Oficial
Estrellas
287

en todo el repo

Actividad
32

0–100, la ruta de este skill

Actualizado
hace 7 meses

último commit aquí

Commits
0

últimos 90 días

Contexto
1.3k tok

61 tok en reposo

Paquete
1 archivo

5 KB

Instalar

Funciona con cualquier agente que lea SKILL.md

npx -y skills add vercel/vercel-plugin --skill benchmark-e2e --agent claude-code

Se instala solo en este repositorio.

Qué hace

  • Ejecuta un pipeline de 4 etapas (runner, verify, analyze, report) que crea proyectos de prueba y les inyecta skills vía `claude --print`
  • Lanza servidores dev y verifica que respondan con HTML no vacío (código 200)
  • Analiza logs de conversación JSONL cruzándolos con `run-manifest.json` para extraer métricas
  • Genera `report.md` y `report.json` con verdict, gaps y `suggestedPatterns` para cerrar brechas

Úsalo cuando

  • Se necesita validar que la inyección de skills del vercel-plugin funciona en proyectos realistas
  • Se quiere correr un ciclo de auto-mejora nocturno comparando reports entre ejecuciones
  • Se necesita detectar qué skills se esperaban pero no se inyectaron

No lo uses cuando

    Qué lo activa

    Di cualquiera de estas frases y el agente debería cargar este skill.

    • “Corre el benchmark e2e completo del vercel-plugin”
    • “Ejecuta el benchmark en modo --quick con los primeros 3 proyectos”
    • “Analiza el report.json y aplica los suggestedPatterns para cerrar los gaps”

    SKILL.md

    En inglés

    Benchmark E2E

    Single-command pipeline that creates projects, exercises skill injection via claude --print, launches dev servers, verifies they work, analyzes conversation logs, and generates actionable improvement reports.

    Quick Start

    # Full suite (9 projects, ~2-3 hours)
    bun run scripts/benchmark-e2e.ts
    
    # Quick mode (first 3 projects, ~30-45 min)
    bun run scripts/benchmark-e2e.ts --quick
    

    Options:

    Flag Description Default
    --quick Run only first 3 projects false
    --base <path> Override base directory ~/dev/vercel-plugin-testing
    --timeout <ms> Per-project timeout (forwarded to runner) 900000 (15 min)

    Pipeline Stages

    The orchestrator chains four stages sequentially, aborting on failure:

    1. runner — Creates test dirs, installs plugin, runs claude --print with VERCEL_PLUGIN_LOG_LEVEL=trace
    2. verify — Detects package manager, launches dev server, polls for 200 with non-empty HTML
    3. analyze — Matches JSONL sessions to projects via run-manifest.json, extracts metrics
    4. report — Generates report.md and report.json with scorecards and recommendations

    Contracts

    run-manifest.json

    Written by the runner at <base>/results/run-manifest.json. Links all downstream stages to the same run.

    interface BenchmarkRunManifest {
      runId: string;           // UUID for this pipeline run
      timestamp: string;       // ISO 8601
      baseDir: string;         // Absolute path to base directory
      projects: Array<{
        slug: string;          // e.g. "01-recipe-platform"
        cwd: string;           // Absolute path to project dir
        promptHash: string;    // SHA hash of the prompt text
        expectedSkills: string[];
      }>;
    }
    

    The analyzer and verifier read this manifest to correlate sessions precisely instead of guessing from directory listings.

    events.jsonl

    The orchestrator writes NDJSON events to <base>/results/events.jsonl tracking pipeline lifecycle:

    // Each line is one JSON object:
    { "stage": "pipeline", "event": "start", "timestamp": "...", "data": { "baseDir": "...", "quick": false } }
    { "stage": "runner",   "event": "start", "timestamp": "...", "data": { "script": "...", "args": [...] } }
    { "stage": "runner",   "event": "complete", "timestamp": "...", "data": { "exitCode": 0, "durationMs": 120000 } }
    // On failure:
    { "stage": "verify",   "event": "error", "timestamp": "...", "data": { "exitCode": 1, "durationMs": 5000, "slug": "04-conference-tickets" } }
    { "stage": "pipeline", "event": "abort", "timestamp": "...", "data": { "failedStage": "verify", "exitCode": 1, "slug": "04-conference-tickets" } }
    

    report.json

    Machine-readable report at <base>/results/report.json for programmatic consumption:

    interface ReportJson {
      runId: string | null;
      timestamp: string;
      verdict: "pass" | "partial" | "fail";
      gaps: Array<{
        slug: string;
        expected: string[];
        actual: string[];
        missing: string[];
      }>;
      recommendations: string[];
      suggestedPatterns: Array<{
        skill: string;   // Skill that was expected but not injected
        glob: string;    // Suggested pathPattern glob
        tool: string;    // Tool name that should trigger injection
      }>;
    }
    

    Overnight Automation Loop

    Run the pipeline repeatedly with a cooldown between iterations:

    while true; do
      bun run scripts/benchmark-e2e.ts
      sleep 3600
    done
    

    Each run produces timestamped report.json and report.md files. Compare across runs to track improvement.

    Self-Improvement Cycle

    The pipeline enables a closed feedback loop:

    1. Run — bun run scripts/benchmark-e2e.ts exercises the plugin against realistic projects
    2. Read gaps — report.json lists which skills were expected but never injected, with exact slugs
    3. Apply fixes — Use suggestedPatterns entries (copy-pasteable YAML) to add missing frontmatter patterns; use recommendations to fix hook logic
    4. Re-run — Execute the pipeline again to verify the gaps are closed
    5. Compare — Diff report.json across runs: verdict should trend from "fail" → "partial" → "pass"

    For overnight automation, combine with the loop above. Wake up to reports showing exactly what improved and what still needs work.

    Prompt Table

    Prompts never name specific technologies — they describe the product and features, letting the plugin infer which skills to inject.

    # Slug Expected Skills
    01 recipe-platform auth, vercel-storage, nextjs
    02 trivia-game vercel-storage, nextjs
    03 code-review-bot ai-sdk, nextjs
    04 conference-tickets payments, email, auth
    05 content-aggregator cron-jobs, ai-sdk
    06 finance-tracker cron-jobs, email
    07 multi-tenant-blog routing-middleware, cms, auth
    08 status-page cron-jobs, vercel-storage, observability
    09 dog-walking-saas payments, auth, vercel-storage, env-vars

    Cleanup

    rm -rf ~/dev/vercel-plugin-testing
    

    Reproducido de vercel/vercel-plugin bajo licencia NOASSERTION. Leer esta página en markdown.

    Archivos

    1 archivo en el paquete. Solo se lee SKILL.md al activarse — las referencias se cargan si el skill decide que las necesita.

    Antes de instalar

    Requiere bun, el CLI `claude`, y un directorio base como ~/dev/vercel-plugin-testing (configurable con --base).

    Necesita en el PATH:bun

    Detalles

    Creador
    vercel
    Categoría
    Testing y QA
    Licencia
    NOASSERTION
    Recursos incluidos
    Solo SKILL.md
    Código fuente
    Ver SKILL.md

    Etiquetas

    Más de vercel/vercel-plugin

    Este repo incluye 43 skills. Si instalas uno, normalmente ya tienes los demás. Ver el pack vercel-plugin entero y su comando de instalación

    Corrige el conocimiento desactualizado del LLM sobre la plataforma Vercel e introduce sus productos nuevos. Se inyecta al inicio de la sesión.

    Costo de contexto al activarse
    1.8k tok
    Tamaño del paquete
    1 archivo
    Última actualización
    el mes pasado
    Oficialdevops infraestructura

    Guía experta de Vercel Connect: obtén tokens OAuth con permisos limitados para servicios de terceros (Slack, GitHub, servidores MCP, OAuth, Snowflake) en nombre de apps o usuarios vía Vercel OIDC.

    Costo de contexto al activarse
    4.8k tok
    Tamaño del paquete
    1 archivo
    Última actualización
    el mes pasado
    Oficialdesarrollo apis

    Depura el caching de la CDN de Vercel: tasa de aciertos, contenido obsoleto, revalidación, ISR + PPR, cacheReason, ppr_state y costos.

    Costo de contexto al activarse
    5.2k tok
    Tamaño del paquete
    1 archivo
    Última actualización
    hace 2 meses
    Oficialdevops infraestructura

    Guía experta sobre Vercel Functions: Serverless Functions, Edge Functions, Fluid Compute, streaming, Cron Jobs y configuración de runtime para código server-side en Vercel.

    Costo de contexto al activarse
    5.6k tok
    Tamaño del paquete
    1 archivo
    Última actualización
    el mes pasado
    Oficialdevops infraestructura

    Guía de arquitectura backend: úsala para planear, construir o migrar una API o backend, elegir entre Functions, Services, contenedores, Workflow, Queues y bases de datos de Marketplace, o seleccionar framework y runtime.

    Costo de contexto al activarse
    1.5k tok
    Tamaño del paquete
    2 archivos
    Última actualización
    el mes pasado
    Oficialdesarrollo apis

    Eve

    287

    Guía de eve, el framework para agentes de IA duraderos: runtime basado en filesystem, sesiones, tools, skills, canales, sandboxes, subagentes, schedules, evals y observabilidad con Agent Runs.

    Costo de contexto al activarse
    1.5k tok
    Tamaño del paquete
    3 archivos
    Última actualización
    el mes pasado
    Oficialherramientas desarrollo

    Skills relacionados

    Escenarios avanzados de benchmark para agentes de IA que ponen a prueba Workflow SDK, AI Gateway, MCP, Chat SDK, Queues, Flags, Sandbox y orquestación multi-agente de Vercel.

    Costo de contexto al activarse
    3.6k tok
    Tamaño del paquete
    2 archivos
    Última actualización
    el mes pasado
    Oficialtesting qa

    Corre escenarios de eval de vercel-plugin en Vercel Sandboxes en vez de paneles locales de WezTerm: aprovisiona microVMs con Claude Code, ejecuta prompts y genera reportes de cobertura.

    Costo de contexto al activarse
    5.5k tok
    Tamaño del paquete
    9 archivos
    Última actualización
    hace 6 meses
    Oficialtesting qa

    Crea y lanza proyectos de prueba de benchmark para ejercitar la inyección de skills de vercel-plugin en escenarios realistas, usando directorios aislados y paneles de WezTerm con Claude Code.

    Costo de contexto al activarse
    947 tok
    Tamaño del paquete
    1 archivo
    Última actualización
    hace 6 meses
    Oficialtesting qa