run-ab-test-models
О программе
Этот навык позволяет проводить A/B-тестирование ML-моделей в продакшене с помощью разделения трафика, проверки статистической значимости и канареечных/теневых развертываний. Он измеряет различия в производительности для принятия обоснованных данными решений о внедрении, что полезно для проверки новых версий, сравнения кандидатов и оценки влияния на бизнес-метрики. Разработчики используют его для контролируемого экспериментирования перед полным развертыванием.
Быстрая установка
Claude Code
Рекомендуетсяnpx skills add pjt222/agent-almanac -a claude-code/plugin add https://github.com/pjt222/agent-almanacgit clone https://github.com/pjt222/agent-almanac.git ~/.claude/skills/run-ab-test-modelsСкопируйте и вставьте эту команду в Claude Code для установки этого навыка
Документация
Run A/B Test for Models
See Extended Examples for complete config + templates.
Controlled experiments comparing model vers via traffic split + stat analysis.
Use When
- Deploy new model ver → validate pre-full-rollout
- Compare candidates (diff algos|features)
- Test hyperparam impact on biz metrics
- Measure prod perf w/o full traffic risk
- Regulatory gradual rollout (medical ML)
- Cost-perf tradeoff between sizes
In
- Required: Champion (current prod ver)
- Required: Challenger(s) (new ver)
- Required: Traffic alloc % (e.g. 5% → challenger)
- Required: Success metrics (biz + ML)
- Required: Min sample size|test duration
- Optional: Guardrail metrics (latency, err threshold)
- Optional: User segments → stratified test
Do
Step 1: Design Experiment
Test params, success criteria, stat reqs.
# ab_test/experiment_config.py
from dataclasses import dataclass
from typing import List, Dict
import numpy as np
from scipy.stats import norm
@dataclass
# ... (see EXAMPLES.md for complete implementation)
→ Stat-sound sample size calc, typically 5-10k/variant for 5-10% MDE.
If err: sample too large → ↑traffic alloc, ext duration, accept larger MDE; verify baseline accurate; sequential testing for continuous monitor.
Step 2: Traffic Split
Routing → random model assign.
# ab_test/traffic_router.py
import hashlib
import random
from typing import Dict, Optional
from dataclasses import dataclass
import logging
logger = logging.getLogger(__name__)
# ... (see EXAMPLES.md for complete implementation)
→ Consistent user→variant, accurate split, all assigns logged.
If err: verify hash uniform (test 10k user IDs); user_id stable cross-req (not session_id); logs capture all preds; validate split first 1000 reqs.
Step 3: Shadow Deploy (Optional)
Challenger parallel w/o user impact.
# ab_test/shadow_deployment.py
import asyncio
from typing import Dict, Any
import logging
from concurrent.futures import ThreadPoolExecutor
import time
logger = logging.getLogger(__name__)
# ... (see EXAMPLES.md for complete implementation)
→ Champion served normal latency, challenger logged async no-block, pred diffs captured.
If err: challenger timeout < champion SLA → no block; handle errs gracefully → no champion impact; monitor mem (2 models loaded); sample (log 10% shadow preds).
Step 4: Collect+Analyze Metrics
Gather data → stat tests.
# ab_test/analysis.py
import pandas as pd
import numpy as np
from scipy import stats
from typing import Dict, Tuple
import logging
logger = logging.getLogger(__name__)
# ... (see EXAMPLES.md for complete implementation)
→ Stat results w/ p-vals, CIs, clear decision (rollout|keep|inconclusive), typically 7-14d|sample size hit.
If err: verify ground truth labels (may need delayed analysis); SRM check (assign bugs); sufficient sample; novelty/primacy in early data; sequential if fixed-horizon slow.
Step 5: Monitor Guardrails
Continuous check → challenger no safety violation.
# ab_test/guardrails.py
import pandas as pd
import logging
from typing import Dict, List
logger = logging.getLogger(__name__)
# ... (see EXAMPLES.md for complete implementation)
→ Violations detected 5-15min, auto-stop if critical breach (latency, errs), team alerts.
If err: thresholds realistic (not too tight); monitor loop running; stop_experiment() updates routing; test alert delivery.
Step 6: Rollout Decision
Based on results → decide rollout.
# ab_test/rollout_decision.py
import logging
from typing import Dict
from dataclasses import dataclass
logger = logging.getLogger(__name__)
# ... (see EXAMPLES.md for complete implementation)
→ Clear decision (full|gradual|keep|extend) + justification + actions.
If err: unclear → subgroup analysis (segment, time, device); interaction effects; biz ctx (2% lift worth eng cost?); consult stakeholders.
Check
- Traffic split matches configured (within 1%)
- Same user → same variant (consistency)
- Sample size reasonable (5-50k/variant)
- Stat tests p-vals match manual calc
- Guardrail violations → alerts <5min
- Shadow shows <5% pred divergence
- Reports include CIs
- Decision documented w/ justification
Traps
- SRM: Observed split ≠ configured (95/5→92/8) → assign bug; check hash uniformity
- Peeking: Check before sample size inflates Type I; sequential test or wait for end date
- Novelty: Users respond diff initially; run 2+ wks for steady state
- Carryover: Prev exposure affects current; new users|washout
- Multi-test: Many metrics ↑false pos; Bonferroni or single primary
- Insufficient power: Small alloc → months for realistic effects; balance power vs risk
- Ignore segments: Aggregate lift hides neg impact on segments; subgroup analysis
- Attribution errs: Outcome metrics correctly attributed to preds (not other changes)
→
deploy-ml-model-serving— deploy infra + versioningmonitor-model-drift— ongoing perf monitor post-rollout
GitHub репозиторий
Frequently asked questions
What is the run-ab-test-models skill?
run-ab-test-models is a Claude Skill by pjt222. Skills package instructions and resources that Claude loads on demand, so Claude can perform run-ab-test-models-related tasks without extra prompting.
How do I install run-ab-test-models?
Use the install commands on this page: add run-ab-test-models to Claude Code as a plugin, or clone its repository into your skills directory, then restart Claude so it picks up the skill.
What category does run-ab-test-models belong to?
run-ab-test-models is in the Testing category, tagged testing, design and data.
Is run-ab-test-models free to use?
Yes. run-ab-test-models is listed on AIMCP and free to install. It runs inside Claude, so no separate service account is required to use the skill itself.
Похожие навыки
Этот навык Claude запускает lm-evaluation-harness для тестирования LLM на более чем 60 стандартизированных академических задачах, таких как MMLU и GSM8K. Он предназначен для разработчиков, чтобы сравнивать качество моделей, отслеживать прогресс обучения или сообщать академические результаты. Инструмент поддерживает различные бэкенды, включая модели HuggingFace и vLLM.
Этот навык предоставляет обширные знания по реализации Cloudflare Cron Triggers для планирования запуска Workers с помощью cron-выражений. Он охватывает настройку периодических задач, заданий технического обслуживания и автоматизированных рабочих процессов, а также решение распространенных проблем, таких как неверные cron-выражения и ошибки часовых поясов. Разработчики могут использовать его для настройки планировщиков обработчиков, тестирования cron-триггеров и интеграции с Workflows и Green Compute.
Этот навык Claude предоставляет инструментарий на базе Playwright для тестирования локальных веб-приложений с помощью Python-скриптов. Он позволяет проводить проверку фронтенда, отладку интерфейса, создание скриншотов и просмотр логов, одновременно управляя жизненным циклом сервера. Используйте его для задач автоматизации браузера, но запускайте скрипты напрямую, вместо чтения их исходного кода, чтобы избежать загрязнения контекста.
Этот навык помогает разработчикам завершать готовую работу, проверяя прохождение тестов и предлагая структурированные варианты интеграции. Он направляет рабочий процесс по слиянию, созданию пул-реквестов или очистке веток после завершения реализации. Используйте его, когда ваш код готов и протестирован, чтобы систематически завершать процесс разработки.
