MixSeek 評価設定生成

概要

MixSeek-Coreの評価設定ファイル（evaluator.toml）と判定設定ファイル（judgment.toml）を生成します。TUMIXトーナメントにおけるSubmissionの評価基準、スコアリング方法、最終判定ロジックを定義します。

前提条件

• ワークスペースが初期化されていること（mixseek-workspace-init参照）
• 環境変数 MIXSEEK_WORKSPACE が設定されていること（推奨）

生成ファイル

使用方法

Step 1: 要件のヒアリング

ユーザーに以下を確認してください:

1. 評価の重点: 何を重視して評価するか（明確性、カバレッジ、関連性など）
2. 重み付け: 各メトリクスの重要度（均等 or カスタム）
3. 判定スタイル: 決定論的（temperature=0）or 多様性重視

Step 2: メトリクス設定の提案

標準メトリクスから選択:

Step 3: 設定ファイルの生成

evaluator.toml:

default_model = "google-gla:gemini-2.5-pro"
temperature = 0.0

[[metrics]]
name = "ClarityCoherence"
weight = 0.34

[[metrics]]
name = "Coverage"
weight = 0.33

[[metrics]]
name = "Relevance"
weight = 0.33

judgment.toml:

model = "google-gla:gemini-2.5-pro"
temperature = 0.0
timeout_seconds = 60

Step 4: ファイルの保存

$MIXSEEK_WORKSPACE/configs/evaluators/evaluator.toml
$MIXSEEK_WORKSPACE/configs/judgment/judgment.toml

重要: カスタムパス（configs/evaluators/やconfigs/judgment/）を使用する場合は、必ずorchestrator.tomlでパスを明示的に指定してください。指定しないとデフォルトパス（configs/evaluator.toml、configs/judgment.toml）が検索され、設定が反映されません。

# orchestrator.toml
[orchestrator]
evaluator_config = "configs/evaluators/evaluator.toml"
judgment_config = "configs/judgment/judgment.toml"

Step 5: 設定ファイルの検証（必須）

生成後は必ず検証を実行してください。

# Evaluator設定の検証
uv run python skills/mixseek-config-validate/scripts/validate-config.py \
    $MIXSEEK_WORKSPACE/configs/evaluators/evaluator.toml --type evaluator

# Judgment設定の検証
uv run python skills/mixseek-config-validate/scripts/validate-config.py \
    $MIXSEEK_WORKSPACE/configs/judgment/judgment.toml --type judgment

検証が成功したら、ユーザーに結果を報告します。失敗した場合は、エラー内容を確認して設定を修正してください。

標準メトリクス詳細

ClarityCoherence（明確性・一貫性）

回答の読みやすさと論理的一貫性を評価します。

評価観点:

• 文章構造の明確さ
• 論理的な流れ
• 専門用語の適切な使用
• 結論の明確さ

推奨用途:

• 説明文の生成
• レポート作成
• 教育コンテンツ

Coverage（カバレッジ）

質問に対する回答の網羅性を評価します。

評価観点:

• 質問の全側面への対応
• 関連トピックの包含
• 例示の充実度
• 補足情報の有無

推奨用途:

• リサーチタスク
• FAQ作成
• 技術ドキュメント

Relevance（関連性）

回答が質問に対してどれだけ的確かを評価します。

評価観点:

• 質問への直接的な回答
• 不要な情報の排除
• 焦点の維持
• 文脈への適合

推奨用途:

• Q&A
• カスタマーサポート
• 検索結果の評価

LLMPlain（汎用LLM評価）

system_instructionで定義したカスタム評価基準に基づいてLLMが評価します。

特徴:

• 事前定義された評価ロジックを持たない
• system_instructionで完全にカスタマイズ可能
• 特殊な評価基準が必要な場合に使用

推奨用途:

• ドメイン固有の評価（法律、医療など）
• プロジェクト固有の品質基準
• 他のメトリクスでカバーできない観点

設定例:

[[metrics]]
name = "LLMPlain"
weight = 0.5
system_instruction = """
セキュリティ観点から回答を評価してください:
1. 機密情報の漏洩リスク
2. 安全なコーディング実践
3. 脆弱性の有無
0-100のスコアで評価してください。
"""

例

均等重み付け設定

User: 評価設定を作成して

Agent: 評価設定を提案します。

       メトリクス（均等重み付け）:
       - ClarityCoherence: 33.4%
       - Coverage: 33.3%
       - Relevance: 33.3%

       この構成でよろしいですか？

User: はい

Agent: 設定ファイルを生成しました:
       ✓ configs/evaluators/evaluator.toml
       ✓ configs/judgment/judgment.toml

カスタム重み付け設定

User: 正確性を重視した評価設定を作って

Agent: 関連性（Relevance）を重視した設定を提案します。

       メトリクス:
       - Relevance: 50%（重視）
       - ClarityCoherence: 30%
       - Coverage: 20%

       この構成でよろしいですか？

User: はい

生成される設定ファイル例

evaluator.toml（カスタム重み付け）:

# MixSeek Evaluator Configuration
# Generated by mixseek-evaluator-config skill

default_model = "google-gla:gemini-2.5-pro"
temperature = 0.0
timeout_seconds = 300
max_retries = 3

[[metrics]]
name = "Relevance"
weight = 0.5

[[metrics]]
name = "ClarityCoherence"
weight = 0.3

[[metrics]]
name = "Coverage"
weight = 0.2

judgment.toml:

# MixSeek Judgment Configuration
# Generated by mixseek-evaluator-config skill

model = "google-gla:gemini-2.5-pro"
temperature = 0.0
timeout_seconds = 60
max_retries = 3

重み付けルール

重み付けには以下のルールがあります:

1. 全て指定 or 全て省略: 一部のメトリクスだけに重みを指定することはできません
2. 合計1.0: 全ての重みの合計は1.0（±0.001）である必要があります
3. 省略時は均等: 重みを省略すると自動的に均等配分されます

# 有効: 全て指定
[[metrics]]
name = "ClarityCoherence"
weight = 0.5

[[metrics]]
name = "Coverage"
weight = 0.5

# 有効: 全て省略（均等配分）
[[metrics]]
name = "ClarityCoherence"

[[metrics]]
name = "Coverage"

# 無効: 一部のみ指定
[[metrics]]
name = "ClarityCoherence"
weight = 0.5  # ❌

[[metrics]]
name = "Coverage"
# weight省略 ❌

トラブルシューティング

重み合計エラー

Error: Weights must sum to 1.0

解決方法:

• 全ての重みの合計が1.0になるよう調整
• または全ての重みを省略して均等配分

メトリクス名エラー

Error: Unknown metric name

解決方法:

• 有効なメトリクス名を使用: ClarityCoherence, Coverage, LLMPlain, Relevance
• 大文字小文字に注意

判定が不安定

解決方法:

• judgment.tomlのtemperatureを0.0に設定（決定論的）
• seedを固定値に設定

参照

• TOMLスキーマ詳細: references/TOML-SCHEMA.md
• 標準メトリクス: references/METRICS.md
• オーケストレーター設定: skills/mixseek-orchestrator-config/