jpskill.com
💼 ビジネス コミュニティ

スキル性能ベンチマーク

skill-forge-benchmark

ClaudeのコードSkillの性能を、実行時間やトークン数などの指標で繰り返し測定し、統計的に分析することで、バージョン間の比較や改善点を明確にするSkill。

📜 元の英語説明(参考)

Benchmark Claude Code skill performance with variance analysis, tracking pass rate, execution time, and token usage across iterations. Runs multiple trials per eval for statistical reliability, aggregates results into benchmark.json, and generates comparison reports between skill versions. Use when user says "benchmark skill", "measure skill performance", "skill metrics", "compare skill versions", "skill performance", "track skill improvement", "skill regression test", or "skill A/B test".

🇯🇵 日本人クリエイター向け解説

一言でいうと

ClaudeのコードSkillの性能を、実行時間やトークン数などの指標で繰り返し測定し、統計的に分析することで、バージョン間の比較や改善点を明確にするSkill。

※ jpskill.com 編集部が日本のビジネス現場向けに補足した解説です。Skill本体の挙動とは独立した参考情報です。

⚡ おすすめ: コマンド1行でインストール(60秒)

下記のコマンドをコピーしてターミナル(Mac/Linux)または PowerShell(Windows)に貼り付けてください。 ダウンロード → 解凍 → 配置まで全自動。

🍎 Mac / 🐧 Linux
mkdir -p ~/.claude/skills && cd ~/.claude/skills && curl -L -o skill-forge-benchmark.zip https://jpskill.com/download/10588.zip && unzip -o skill-forge-benchmark.zip && rm skill-forge-benchmark.zip
🪟 Windows (PowerShell)
$d = "$env:USERPROFILE\.claude\skills"; ni -Force -ItemType Directory $d | Out-Null; iwr https://jpskill.com/download/10588.zip -OutFile "$d\skill-forge-benchmark.zip"; Expand-Archive "$d\skill-forge-benchmark.zip" -DestinationPath $d -Force; ri "$d\skill-forge-benchmark.zip"

完了後、Claude Code を再起動 → 普通に「動画プロンプト作って」のように話しかけるだけで自動発動します。

💾 手動でダウンロードしたい(コマンドが難しい人向け)
  1. 1. 下の青いボタンを押して skill-forge-benchmark.zip をダウンロード
  2. 2. ZIPファイルをダブルクリックで解凍 → skill-forge-benchmark フォルダができる
  3. 3. そのフォルダを C:\Users\あなたの名前\.claude\skills\(Win)または ~/.claude/skills/(Mac)へ移動
  4. 4. Claude Code を再起動

⚠️ ダウンロード・利用は自己責任でお願いします。当サイトは内容・動作・安全性について責任を負いません。

🎯 このSkillでできること

下記の説明文を読むと、このSkillがあなたに何をしてくれるかが分かります。Claudeにこの分野の依頼をすると、自動で発動します。

📦 インストール方法 (3ステップ)

  1. 1. 上の「ダウンロード」ボタンを押して .skill ファイルを取得
  2. 2. ファイル名の拡張子を .skill から .zip に変えて展開(macは自動展開可)
  3. 3. 展開してできたフォルダを、ホームフォルダの .claude/skills/ に置く
    • · macOS / Linux: ~/.claude/skills/
    • · Windows: %USERPROFILE%\.claude\skills\

Claude Code を再起動すれば完了。「このSkillを使って…」と話しかけなくても、関連する依頼で自動的に呼び出されます。

詳しい使い方ガイドを見る →
最終更新
2026-05-18
取得日時
2026-05-18
同梱ファイル
1

📖 Skill本文(日本語訳)

※ 原文(英語/中国語)を Gemini で日本語化したものです。Claude 自身は原文を読みます。誤訳がある場合は原文をご確認ください。

スキルベンチマークとパフォーマンス追跡

複数の試行、分散分析、およびトレンド追跡を使用して、統計的に厳密に、反復処理におけるスキルパフォーマンスを測定および比較します。

プロセス

ステップ 1: ベンチマーク構成の定義

以下の構成を受け入れます。

  • 既存の eval セット: /skill-forge eval からの evals/evals.json へのパス
  • ベンチマーク構成: 試行回数と閾値を含むカスタム構成

ベンチマーク構成スキーマ:

{
  "skill_name": "my-skill",
  "skill_path": "./my-skill",
  "eval_set_path": "./evals/evals.json",
  "trials_per_eval": 3,
  "baseline_type": "no_skill",
  "previous_benchmark": null,
  "thresholds": {
    "min_pass_rate": 0.8,
    "max_avg_tokens": 100000,
    "max_avg_duration_seconds": 120,
    "min_improvement_ratio": 1.0
  }
}

ステップ 2: ベンチマーク実行の実行

各 eval に対して、信頼性の高いメトリクスを得るために trials_per_eval 回実行します (デフォルト: 3):

  1. スキルありの実行を実行します (eval ごとに 3 回)
  2. ベースライン実行を実行します (eval ごとに 3 回)
  3. 実行ごとに、合格/不合格、トークン数、期間をキャプチャします
  4. 各実行の timing.jsongrading.json を保存します

可能な場合は、並列実行のために agents/skill-forge-executor.md を使用します。

ステップ 3: 結果の集計

python scripts/aggregate_benchmark.py <workspace>/iteration-<N> --skill-name <name> を実行します:

出力 benchmark.json スキーマ:

{
  "skill_name": "my-skill",
  "iteration": 1,
  "timestamp": "2026-03-06T12:00:00Z",
  "summary": {
    "total_evals": 10,
    "with_skill": {
      "pass_rate": 0.87,
      "pass_rate_std": 0.05,
      "avg_tokens": 45000,
      "avg_duration_seconds": 34.2
    },
    "baseline": {
      "pass_rate": 0.60,
      "pass_rate_std": 0.08,
      "avg_tokens": 62000,
      "avg_duration_seconds": 52.1
    },
    "improvement_ratio": 1.45,
    "token_savings_ratio": 0.73,
    "time_savings_ratio": 0.66
  },
  "per_eval": [
    {
      "eval_id": 0,
      "eval_name": "basic-trigger",
      "with_skill": {"pass_rate": 1.0, "avg_tokens": 30000, "avg_duration_seconds": 20.1},
      "baseline": {"pass_rate": 0.67, "avg_tokens": 50000, "avg_duration_seconds": 45.0},
      "trials": 3
    }
  ],
  "thresholds_met": {
    "min_pass_rate": true,
    "max_avg_tokens": true,
    "max_avg_duration_seconds": true,
    "min_improvement_ratio": true
  }
}

ステップ 4: 以前のイテレーションとの比較

previous_benchmark が提供されているか、以前の iteration-<N-1> が存在する場合:

  1. 以前の benchmark.json をロードします
  2. メトリクスごとにデルタを計算します:
    • 合格率の変化
    • トークン使用量の変化
    • 期間の変化
    • 新しいリグレッション (以前は合格したが、現在は不合格になった eval)
    • 新しい改善 (以前は不合格だったが、現在は合格になった eval)

ステップ 5: ベンチマークレポートの生成

# ベンチマークレポート: [skill-name]

## イテレーション [N] vs [N-1]

### サマリー
| メトリクス | 現在 | 以前 | デルタ | 閾値 | ステータス |
|--------|---------|----------|-------|-----------|--------|
| 合格率 | 87% | 78% | +9% | >= 80% | PASS |
| 平均トークン数 | 45K | 52K | -13% | <= 100K | PASS |
| 平均時間 | 34s | 41s | -17% | <= 120s | PASS |
| 改善 | 1.45x | 1.30x | +0.15x | >= 1.0x | PASS |

### リグレッション (対応が必要)
| Eval | 以前 | 現在 | 注 |
|------|----------|---------|-------|
| eval-5 | PASS | FAIL | 必要なセクションが出力にありません |

### 改善
| Eval | 以前 | 現在 | 注 |
|------|----------|---------|-------|
| eval-3 | FAIL | PASS | エラー処理が機能するようになりました |

### Eval ごとの詳細
[完全な内訳表]

### 分散分析
| Eval | 合格率 | 標準偏差 | 試行回数 | 信頼性 |
|------|-----------|---------|--------|-------------|
| eval-0 | 100% | 0.00 | 3 | 高 |
| eval-1 | 67% | 0.47 | 3 | 低 (調査) |

### 推奨事項
[リグレッション、信頼性の低い eval、および閾値の失敗に基づく]

ステップ 6: 閾値ゲーティング

いずれかの閾値が失敗した場合:

  1. 特定の閾値の詳細とともに FAIL としてフラグを立てます
  2. 失敗の原因となった eval をリストします
  3. 問題に対処するために /skill-forge evolve を実行することを推奨します
  4. 閾値が合格するまで、公開を承認しないでください

エラー処理

  • 不安定な試行: 試行がタイムアウトまたはクラッシュした場合、分散計算から除外し、eval ごとの結果で "trials_completed""trials_requested" をメモします
  • 不十分な試行: eval に対して完了した試行が 2 回未満の場合、レポートで分散を "unreliable" としてフラグを立てます
  • ベースラインの欠落: ベースライン実行が完全に失敗した場合、スキルありの結果のみを報告し、improvement_ratio をスキップします
  • 閾値のエッジケース: pass_rate が閾値と完全に等しい場合、PASS として扱います

他のサブスキルとの統合

  • skill-forge-eval: eval セットと評価インフラストラクチャを提供します
  • skill-forge-evolve: 改善のターゲットとしてベンチマークの失敗を受け取ります
  • skill-forge-publish: 公開前にベンチマークの合格 (スコア >= 閾値) が必要です
  • skill-forge-review: レビューレポートにベンチマークの概要を含めることができます
📜 原文 SKILL.md(Claudeが読む英語/中国語)を展開

Skill Benchmarking & Performance Tracking

Measure and compare skill performance across iterations with statistical rigor using multiple trials, variance analysis, and trend tracking.

Process

Step 1: Define Benchmark Configuration

Accept configuration as:

  • Existing eval set: Path to evals/evals.json (from /skill-forge eval)
  • Benchmark config: Custom config with trial count and thresholds

Benchmark config schema:

{
  "skill_name": "my-skill",
  "skill_path": "./my-skill",
  "eval_set_path": "./evals/evals.json",
  "trials_per_eval": 3,
  "baseline_type": "no_skill",
  "previous_benchmark": null,
  "thresholds": {
    "min_pass_rate": 0.8,
    "max_avg_tokens": 100000,
    "max_avg_duration_seconds": 120,
    "min_improvement_ratio": 1.0
  }
}

Step 2: Execute Benchmark Runs

For each eval, run trials_per_eval times (default: 3) to get reliable metrics:

  1. Execute with-skill runs (3x per eval)
  2. Execute baseline runs (3x per eval)
  3. Capture per-run: pass/fail, token count, duration
  4. Save each run's timing.json and grading.json

Use agents/skill-forge-executor.md for parallel execution where possible.

Step 3: Aggregate Results

Run python scripts/aggregate_benchmark.py <workspace>/iteration-<N> --skill-name <name>:

Output benchmark.json schema:

{
  "skill_name": "my-skill",
  "iteration": 1,
  "timestamp": "2026-03-06T12:00:00Z",
  "summary": {
    "total_evals": 10,
    "with_skill": {
      "pass_rate": 0.87,
      "pass_rate_std": 0.05,
      "avg_tokens": 45000,
      "avg_duration_seconds": 34.2
    },
    "baseline": {
      "pass_rate": 0.60,
      "pass_rate_std": 0.08,
      "avg_tokens": 62000,
      "avg_duration_seconds": 52.1
    },
    "improvement_ratio": 1.45,
    "token_savings_ratio": 0.73,
    "time_savings_ratio": 0.66
  },
  "per_eval": [
    {
      "eval_id": 0,
      "eval_name": "basic-trigger",
      "with_skill": {"pass_rate": 1.0, "avg_tokens": 30000, "avg_duration_seconds": 20.1},
      "baseline": {"pass_rate": 0.67, "avg_tokens": 50000, "avg_duration_seconds": 45.0},
      "trials": 3
    }
  ],
  "thresholds_met": {
    "min_pass_rate": true,
    "max_avg_tokens": true,
    "max_avg_duration_seconds": true,
    "min_improvement_ratio": true
  }
}

Step 4: Compare with Previous Iterations

If previous_benchmark is provided or prior iteration-<N-1> exists:

  1. Load previous benchmark.json
  2. Calculate delta per metric:
    • Pass rate change
    • Token usage change
    • Duration change
    • New regressions (evals that passed before but fail now)
    • New improvements (evals that failed before but pass now)

Step 5: Generate Benchmark Report

# Benchmark Report: [skill-name]

## Iteration [N] vs [N-1]

### Summary
| Metric | Current | Previous | Delta | Threshold | Status |
|--------|---------|----------|-------|-----------|--------|
| Pass Rate | 87% | 78% | +9% | >= 80% | PASS |
| Avg Tokens | 45K | 52K | -13% | <= 100K | PASS |
| Avg Time | 34s | 41s | -17% | <= 120s | PASS |
| Improvement | 1.45x | 1.30x | +0.15x | >= 1.0x | PASS |

### Regressions (Action Required)
| Eval | Previous | Current | Notes |
|------|----------|---------|-------|
| eval-5 | PASS | FAIL | Output missing required section |

### Improvements
| Eval | Previous | Current | Notes |
|------|----------|---------|-------|
| eval-3 | FAIL | PASS | Error handling now works |

### Per-Eval Detail
[Full breakdown table]

### Variance Analysis
| Eval | Pass Rate | Std Dev | Trials | Reliability |
|------|-----------|---------|--------|-------------|
| eval-0 | 100% | 0.00 | 3 | High |
| eval-1 | 67% | 0.47 | 3 | Low (investigate) |

### Recommendations
[Based on regressions, low-reliability evals, and threshold failures]

Step 6: Threshold Gating

If any threshold fails:

  1. Flag as FAIL with specific threshold details
  2. List which evals caused the failure
  3. Recommend running /skill-forge evolve to address issues
  4. Do NOT approve for publish until thresholds pass

Error Handling

  • Flaky trials: If a trial times out or crashes, exclude it from variance calculation and note "trials_completed" vs "trials_requested" in per-eval results
  • Insufficient trials: If fewer than 2 trials complete for an eval, flag variance as "unreliable" in the report
  • Missing baseline: If baseline runs fail entirely, report with-skill results only and skip improvement_ratio
  • Threshold edge cases: If pass_rate equals the threshold exactly, treat as PASS

Integration with Other Sub-Skills

  • skill-forge-eval: Provides the eval set and grading infrastructure
  • skill-forge-evolve: Receives benchmark failures as improvement targets
  • skill-forge-publish: Requires benchmark pass (score >= thresholds) before publish
  • skill-forge-review: Can include benchmark summary in review report