AgentEvalTool/CLAUDE.md

CLAUDE.md

This file provides guidance to Claude Code (claude.ai/code) when working with code in this repository.

项目概述

AgentEvalTool 是智能体质量评估工具集平台（v0.2.0），用于评估 AI 数字员工（tutu-api 通道）和 AI 助手（OpenClaw）的服务质量。Python 3.11 后端 + TypeScript/React 前端，SQLite 持久化。

常用命令

后端

# 安装（含 dev 依赖）
pip install -e ".[dev]"

# 启动 Web 后台
agenteval server start --host 0.0.0.0 --port 8000

# 运行全部测试
pytest

# 运行单个测试文件
pytest tests/unit/test_engine.py -v

# 运行带覆盖率的测试
pytest --cov=backend/agenteval --cov-report=term-missing

# Lint
ruff check backend/
ruff format backend/

前端

cd frontend/web
npm install
npm run dev        # 开发服务器
npm run build      # 构建生产产物（部署前必须执行）
npx tsc --noEmit   # 类型检查

数据库迁移

alembic upgrade head   # 升级到最新
alembic revision --autogenerate -m "描述"  # 生成新迁移

注意：init_db() 调用 SQLModel.metadata.create_all() 直接建表（用于全新 DB），Alembic 用于已有 DB 的增量变更。migrations/env.py 设置了 render_as_batch=True（SQLite 不支持 ALTER TABLE，batch mode 通过重建表来模拟）。

部署（t480）

scripts/deploy-t480.sh             # 一键部署（推荐）
scripts/deploy-t480.sh --skip-build  # 仅代码变更，跳过镜像重建
scripts/deploy-t480.sh --dry-run   # 预览命令

核心架构

三层结构

CLI (Typer) / Web API (FastAPI)
        ↓
EvalEngine（异步评测执行引擎）
        ↓ 通过抽象接口
EvalChannel → 消息通道（TutuApiChannel）
EvalRule    → 评估规则（keyword_match / response_time / llm_score）
        ↓
SQLite Storage（Repository 模式）

关键抽象（均在 backend/agenteval/）

• channels/base.py — EvalChannel 抽象：send() / poll_reply() / health_check()，V1 实现为 TutuApiChannel（tutu-api HTTP + Bearer Token）
• evaluation/engine.py — EvalEngine：异步执行，遍历 Scenario.cases → messages → 调用 channel → 执行规则 → 写入 DB；通过 asyncio.Event cancel_token 支持真取消；progress_callback 实时推送事件给 WebSocket
• evaluation/rules/ — EvalRule 抽象，三种实现：keyword.py（关键词匹配）、response_time.py（延迟阈值）、llm_score.py（LLM-as-judge）
• models.py — 共享 Pydantic 模型：EvalTarget → EvalRun ← Scenario，EvalRun → Turn + EvalResult
• storage/ — db.py（SQLite StaticPool + SQLModel 表定义）+ repository.py（TargetRepository / ScenarioRepository / RunRepository / ResultRepository）+ file_repository.py（FileCategoryRepository / FileRecordRepository）
• config/settings.py — Pydantic Settings，加载 AGENTEVAL_ 前缀的环境变量（.env 文件），@lru_cache 单例
• web/deps.py — FastAPI 依赖注入：get_db()（Session 生命周期管理）、require_api_key()（X-API-Key 鉴权）

扩展性模式：

• 规则注册表（evaluation/rules/__init__.py）：@register_rule 装饰器将规则类注册到 _RULE_REGISTRY，get_rule(type, params) 按名称实例化。添加新规则只需创建类并加装饰器。
• 通道工厂（channels/factory.py）：ChannelFactory 维护 ChannelType → EvalChannel 映射，register() 类方法支持插件式注册新通道类型。

API 端点 / Run 生命周期

POST /api/runs → API 先创建 pending 状态的 run，返回 run_id → 后台 asyncio.Task 调用 EvalEngine.run(existing_run=...) 复用该记录 → ws://…/ws/runs/{run_id} 推送实时进度。

WebSocket 事件类型（/ws/runs/{run_id}，由 ConnectionManager.emit() 广播）：

事件	触发时机	payload
case_start	开始评测一个 case	{case_id, case_index, total_cases}
messages_generated	动态 case 的 AI 生成消息完成	{case_id, messages}
turn_start	开始发送一轮对话	{case_id, turn_index}
turn_end	收到回复	{case_id, turn_index, reply, latency_ms}
turn_error	发送或接收失败	{case_id, turn_index, error}
rule_result	单条规则评估完成	{case_id, turn_index, rule_type, passed, score, reason}
case_end	case 评测完成	{case_id, passed, score, error?}
run_completed	整个 run 完成	{run_id, status}
error	case 级或 run 级错误	{case_id?, message}

前端 sessionReducer.ts 的 WS_EVENT action 处理以上所有事件类型。

OpenClaw 代理

后端通过 routers/proxy.py 提供 HTTP + WebSocket 反向代理（路径前缀 /openclaw），将请求转发到 OpenClaw 服务（docker-compose 中 openclaw-eval 容器）。WS 桥接会自动注入认证 token 到 connect.authenticate 消息并重写 Origin 头。前端 /openclaw 路由以全屏 iframe 嵌入代理地址。

智能评估执行机制（方案③触发式执行）

智能评估的 Worker 自动化（取代旧 Cron 池，见 ADR-0009/0010）由 app.py::_intelligent_eval_scan_loop 驱动（lifespan 后台任务，每 60s）：

1. requeue_stale_assigned_tasks：assigned 超时（>10min）且评估 executing → 回 pending（卡死恢复）
2. scan_and_enqueue_tasks：扫描 executing 评估，时段到期/欠账 → 入队（任务队列）
3. settle_tasks_for_finished_evals：评估离开 executing 后，其 pending/assigned 任务回收为 completed
4. _supplement_decision_logs：agent 未上报决策日志时按状态兜底补录
5. 触发：有 planning 评估 → 触发 planner skill；有 pending 任务 → 触发 worker skill

关键约束：

• 独立 session：触发命令必须带 --session-id（agenteval-worker-<ts> / agenteval-planner-<ts>），禁止复用 --agent main 的持久 session——main session 多次触发累积上下文缓存后 worker 会幻觉不执行（见 ADR-0010）
• 时段分布：触发指令明确"仅执行当前到期时段内欠账的会话"，平台每 60s 持续触发推进后续时段，保证 1h 窗口按时段分批
• 状态一致性：submit_report 要求会话全部 close 才允许 completed；worker 触发 timeout 600s

文件管理模块

/api/files 端点提供分类树 + 文件上传/下载功能。FileCategoryDB 自引用（parent_id）实现树形结构，FileRecordDB 关联分类。文件物理存储在 data/uploads/，按分类子目录组织。删除分类会级联删除子分类 + 文件记录 + 物理文件。

前端

SPA 由 FastAPI 托管（GET /{full_path:path} → index.html）。frontend/web/src/api.ts 是所有接口定义的单一出口，axios 拦截器统一处理错误。useRunSession.ts hook 管理 WebSocket 实时状态。

路由采用 keep-alive 标签页模式（非标准 <Routes>）：所有页面同时挂载在 DOM 中，通过 display: block/none 切换可见性，保证页面状态在切 tab 时不丢失。路由配置集中在 App.tsx 的 routeConfigs 数组中，Zustand tabStore 管理标签页的打开/关闭/激活状态，react-router 仅用于 URL 同步。

三种状态管理策略：

• Zustand（stores/tabStore.ts）：全局标签页状态，唯一一个 store
• useReducer（hooks/sessionReducer.ts）：评测会话状态（cases/turns/results/progress），纯 reducer 无副作用，hook 负责 WS/REST 副作用
• useState：各页面本地数据，无全局缓存（不使用 SWR/React Query）

Vite 开发代理：dev server 端口 3000，/api、/ws、/openclaw 全部代理到 localhost:8000；生产构建时 dist/ 由 FastAPI 直接托管。

Ant Design CSS-in-JS 冲突：Ant Design v5 的 emotion 运行时注入会覆盖静态 CSS 的 flex/height 规则。Runs 页采用"导航与内容分离"方案——Tabs 组件仅用于渲染导航头（.nav-only-tabs CSS 隐藏 .ant-tabs-content-holder），实际内容 div 由 flex 直接控制高度，绕过 Ant Design 内部 DOM。

构建注意：@monaco-editor/react 独立拆分为 vendor-monaco chunk（vite.config.ts 的 manualChunks）。设计 Token 在 tokens.ts 集中管理（组件直接 import，非 CSS 变量方案）。

开发约定

• 版本号单一数据源：pyproject.toml → 由 scripts/sync_version.py 同步到 package.json，部署脚本自动执行
• Python lint：ruff，line-length 120，target py310
• 前端类型检查：tsc --noEmit
• 文档文件名带版本号，如 architecture-v1.0.md
• SQLite 必须用 StaticPool + check_same_thread=False，否则多线程下连接耗尽
• 所有 Router 用 Depends(get_db) 管理 Session，后台任务也需 try/finally 关闭
• frontend/web/dist/ 是构建产物，部署前必须 npm run build，否则 t480 跑旧版

配置

• .env（参考 .env.example）：AGENTEVAL_API_KEY（X-API-Key 鉴权）、AGENTEVAL_ALLOWED_ORIGINS（CORS，首个非 localhost URL 用作 OpenClaw WS Origin）、AGENTEVAL_OPENCLAW_* 系列（代理上游地址 + 认证 token）
• config/config.json：tutu-api 通道配置（敏感信息，只读挂载到容器）
• 无 CI/CD，部署依赖手动执行 scripts/deploy-t480.sh

测试结构

tests/
├── conftest.py          # 共享 fixtures（内存 SQLite DB、TestClient）
├── unit/
│   ├── mock_channel.py  # 测试用 MockChannel
│   ├── test_engine.py   # EvalEngine 单元测试（asyncio_mode=auto）
│   ├── test_cascade.py  # 级联删除测试
│   └── test_settings.py # Pydantic Settings 测试
└── integration/
    └── test_runs_api.py # Runs API 集成测试

pytest.ini_options 中 pythonpath = ["backend", "."]，测试直接 import agenteval 和 cli。

Agent skills

Issue tracker

工作项跟踪使用 git.solahqb22.cn/solahqb/AgentEvalTool 的 Gitea Issues。详见 docs/agents/issue-tracker.md。

Triage labels

Triage 使用五个默认角色标签。详见 docs/agents/triage-labels.md。

Domain docs

仓库采用单一上下文：根目录 CONTEXT.md 配合 docs/adr/。详见 docs/agents/domain.md。

部署关键信息

• t480：sola-t480（192.168.8.145:8001），Docker Compose 双容器（agenteval + openclaw-eval）
• 端口映射：主机 8001 → 容器 8000（主机 8000 已被占用）
• 健康检查：curl http://192.168.8.145:8001/api/health 返回 version/commit，脚本验证与本地 pyproject.toml 一致
• 回滚：docker tag t480-agenteval:<old-version> t480-agenteval:latest && docker compose up -d
• backend/ 通过 volume 热加载，只有 Python 依赖变更才需要 --build
• 前端 dist/ 也通过 volume 挂载，因此每次前端变更也需要重新构建（./scripts/deploy-t480.sh 自动处理）
• openclaw-eval 容器使用 ghcr.io/openclaw/openclaw:latest 镜像，通过 AGENTEVAL_API_URL 环境变量连接 agenteval

已知陷阱

1. index.css 必须显式 import：Vite 不会自动包含未被引用的 CSS。main.tsx 必须有 import './index.css'，否则全局样式（动画、布局覆盖、nav-only-tabs）全部无效且无报错。这是历史遗留 bug（项目创建以来就缺失），已修复但容易在重构时再次丢失。

2. UTC 时间戳解析：后端返回的 datetime 字符串不含时区标记（如 "2026-07-14T16:40:00"），JS 的 new Date() 会按本地时间解析导致偏差 8 小时。前端必须使用 utils/date.ts 的 toDate() 函数（检测并追加 Z 后缀），禁止直接 new Date(str)。根本修复需后端序列化时附带时区。

3. Ant Design CSS-in-JS 覆盖：Ant Design v5 的 emotion 运行时注入优先级高于静态 CSS 文件中的 flex/height/overflow 规则。需要弹性布局的容器避免依赖 .ant-tabs-content 等 Ant 内部 DOM，改用导航与内容分离方案。见上方前端架构说明。

4. SQLite 连接池：必须用 StaticPool + check_same_thread=False。使用默认连接池会导致多线程下连接耗尽（async + FastAPI 线程池混合场景）。

5. .env 在 t480 上需手动维护：部署脚本不会自动同步 .env 文件，新增环境变量需 SSH 到主机手动补全。容易导致 OpenClaw 代理等功能静默失效。