
GLM-5.3-Flash-J-Space-Capability-Realization-Report
把大模型智能体能力评测做成可读报告,一眼看清真实水平
项目预览
项目数据
项目介绍
Star 增长趋势
本站每日记录该项目 GitHub 星标变化,观测越久曲线越完整
数据来源:GitHub API 逐日快照 · 收录于 2026-09-25 · 当前星标 ★ 1015
使用教程
环境要求
- 一个可用的 AI 宿主,且支持用户级 Skills 目录加载
- Python 3 解释器(python / python3 / py -3 之一)
- 能访问 GitHub 下载或克隆仓库(或可访问文件的 AI Agent)
安装与启动步骤
-
1获取仓库
下载或克隆本仓库到本地,保持完整目录结构,不要只取其中单个文件。
git clone https://github.com/Tiger3807861189/GLM-5.3-Flash-J-Space-Capability-Realization-Report.git -
2定位 Skills 目录
查阅你所使用 AI 宿主的配置或文档,确认它的用户级 Skills 目录实际路径。
-
3复制 j-space 目录
把完整的 j-space/ 目录整体复制进去,最终入口必须是 <skills-directory>/j-space/SKILL.md。
cp -r j-space /your/skills-directory/ -
4运行完整性校验
用宿主机可用的 Python 3 命令执行校验脚本,替换成实际的 python/python3/py -3。
python3 /your/skills-directory/j-space/scripts/verify_suite.py -
5重载宿主
宿主在启动时才会发现 Skills,安装后需重启或重载宿主才能识别该 Skill。
-
6(可选)让 Agent 代装
把 README 中的安装提示词交给可访问文件与仓库的 Agent,由它自动定位目录并安装校验。
关键配置
| 配置项 | 必填 | 说明 | 示例 |
|---|---|---|---|
skills-directory | 是 | AI 宿主的用户级 Skills 目录,j-space/ 的安装目标位置 | /your/skills-directory |
python-command | 是 | 用于运行 verify_suite.py 的 Python 3 命令 | python3 |
如何确认成功
校验脚本无报错,且 <skills-directory>/j-space/SKILL.md 存在,重载后宿主能识别并调用该 Skill。
常见问题
Q:目录里只复制 SKILL.md 可以吗?
A:不行。SKILL.md 通过相对路径路由到 modules/、references/ 和 scripts/,目录必须保持完整,否则功能会缺失。
Q:找不到 Skills 目录怎么办?
A:README 未指定固定路径,需先查看你所用宿主的配置或文档确认;也可以直接让能访问文件的 Agent 代为探测并安装。
Q:宿主没有原生 Skill 加载器怎么办?
A:不要按安装流程处理。README 建议改为选择性 system/developer instruction 集成方式,把该套件作为指令内容引入。
Q:这个项目会修改模型权重吗?
A:不会。J-Space 只在推理时生效,模型权重与训练过程保持不变。
Q:再分发时要注意什么?
A:把 j-space/ 作为独立包分发时,需同时附带仓库级的 LICENSE 和 THIRD_PARTY_NOTICES.md。
注意事项
- README 只给出手动安装(Option A)与让 Agent 安装(Option B)两条路径,未提供 pip/npm 等包管理器安装方式。
- 安装入口必须落在 <skills-directory>/j-space/SKILL.md,复制时不要改变 j-space 目录名。
- fast、full、loop 是套件提供的不同执行模式,可选控制器只记录长任务状态,不负责选择解决方案。
核心亮点
- 以报告形式公开评测结果,比单纯跑分更易理解模型能力边界
- 技术栈覆盖 agent-skills、dsh-plugin 等,贴近真实智能体任务场景
- 聚焦评测安全方向,对模型能力验证与方法论讨论有参考价值
不足之处
- 项目以报告展示为主,缺少可复用的评测框架或工具代码
- 语言与文档细节未明确,社区生态和后续维护待观察
适用场景
- 开发者评估 GLM-5.3-Flash 在智能体任务中的实际表现
- 团队参考其评测展示方式设计自己的模型基准报告
- 研究者了解 J-Space 认知套件的能力实现与评测思路
替代项目
lm-evaluation-harness、HELM、OpenCompass
上一篇:eval-assist
同类项目推荐
nannyml
开源
模型上线后,用 nannyml 自动盯漂移和性能,提前报警
nannyml: post-deployment data science in python
agent-opfor
开源
给AI智能体做安全体检,模拟攻击找漏洞
Open-source adversary emulation for AI agents and MCP servers.
overmind
开源
追踪+评测+微调,让 Agent 越用越准
The platform for continuously improving AI agents.
tts-bench
开源
一键跑遍主流 TTS,比速度、留样本
Speed and samples benchmark: for all types of text to speech (TTS) models on Windows···
optimum-benchmark
开源
一键横评多后端推理性能,选型不靠猜
️ A unified multi-backend utility for benchmarking Transformers, Timm, PEFT, Diffus···
awesome-evals
开源
一站式收藏 AI 智能体评估资源,告别信息筛选烦恼。
A curated, non-BS library of the best resources for building and evaluating AI agent···
hawk
开源
把 Inspect AI 评测搬到云端批量跑
Run Inspect AI evals in the cloud
fusion_bench
开源
一站式评估和实现深度模型融合,快速对比多种融合算法效果
FusionBench: A Comprehensive Benchmark/Toolkit of Deep Model Fusion
pII-guard
开源
用 LLM 智能识别日志中的隐私信息,轻松满足 GDPR 合规。
️ PII Guard is an LLM-powered tool that detects and manages Personally Identifiable···