vm-auto-eval - SKILL.md Agent Skill

name: vm-auto-eval description: This skill should be used when the user asks to "evaluate Jarvis", "run VM test", "auto eval", "test in VM", or discusses testing Jarvis tasks in a macOS virtual machine, syncing code to VM, or running evaluation loops.

VM Auto-Eval Skill

自动化评测 Jarvis 在 macOS 虚拟机中的任务执行效果。通过 Parallels VM + tmux + iTerm2 实现完整的开发→部署→测试→评估→改进循环。

环境信息

VM: Parallels Desktop macOS VM, 名称 "macOS"
VM IP: 10.211.55.5 (Parallels 默认网段)
VM 用户: jarvis, 密码: 123456
宿主机代理: 10.211.55.2:7897 (VM 视角的宿主机 IP)
Jarvis 路径 (宿主机): /Users/Ninot/NinotQuyi/jarvis
Jarvis 路径 (VM): ~/jarvis
Node.js: /opt/homebrew/opt/node@20/bin

完整评测流程

Step 1: 创建评估分支

cd /Users/Ninot/NinotQuyi/jarvis
git checkout -b eval/<评估主题> develop

评估工作必须在独立分支进行，不直接修改 develop。

Step 2: 代码同步到 VM

如果修改了代码，需要同步到 VM：

sshpass -p '123456' rsync -avz \
  --exclude node_modules --exclude .git --exclude dist --exclude target \
  -e "ssh -o IdentitiesOnly=yes" \
  /Users/Ninot/NinotQuyi/jarvis/ jarvis@10.211.55.5:~/jarvis/

如果只改了 prompts，只同步 prompts 目录更快：

sshpass -p '123456' rsync -avz \
  -e "ssh -o IdentitiesOnly=yes" \
  /Users/Ninot/NinotQuyi/jarvis/prompts/ jarvis@10.211.55.5:~/jarvis/prompts/

如果改了 TypeScript 代码，需要在 VM 中重新编译：

sshpass -p '123456' ssh -o IdentitiesOnly=yes jarvis@10.211.55.5 \
  'export PATH="/opt/homebrew/opt/node@20/bin:/opt/homebrew/bin:$PATH" && cd ~/jarvis && npm run build'

Step 3: 创建 tmux 会话并连接 VM

tmux kill-server 2>/dev/null
tmux new-session -d -s work "sshpass -p '123456' ssh -o IdentitiesOnly=yes jarvis@10.211.55.5"

验证连接成功（使用 buffer 方式读取，兼容用户同时 attach）：

tmux capture-pane -t work -b buf && tmux save-buffer -b buf -
# 应该看到 jarvis@macos 的 shell prompt

Step 4: 开启 iTerm2 右侧分屏供用户观察

osascript -e '
tell application "iTerm2"
    tell current session of current tab of current window
        set newSession to (split vertically with default profile)
        tell newSession
            write text "tmux attach -t work"
        end tell
    end tell
end tell'

验证分屏是否成功创建：

osascript -e '
tell application "iTerm2"
    tell current tab of current window
        return count of sessions
    end tell
end tell'
# 返回 2 表示分屏成功

Step 5: 创建并发送任务

将任务写入脚本文件（避免中文引号在 tmux send-keys 中的问题）：

# 在宿主机创建任务脚本
cat > /tmp/run_task.sh << 'EOF'
#!/bin/bash
export PATH=/opt/homebrew/opt/node@20/bin:/opt/homebrew/bin:$PATH
cd ~/jarvis
node dist/cli/main.js --no-ui "任务描述"
EOF

# 上传到 VM
sshpass -p '123456' scp -o IdentitiesOnly=yes /tmp/run_task.sh jarvis@10.211.55.5:/tmp/run_task.sh

# 通过 tmux 执行
tmux send-keys -t work "bash /tmp/run_task.sh" Enter

Step 6: 持续监控执行过程

循环读取 tmux 输出，跟踪 Jarvis 的每一步：

# 读取当前屏幕内容
tmux capture-pane -t work -b buf && tmux save-buffer -b buf -

# 建议每 15-30 秒读取一次，根据任务复杂度调整间隔
sleep 20 && tmux capture-pane -t work -b buf && tmux save-buffer -b buf -

关注的关键信息：

[THOUGHT] — Jarvis 的思考过程
[TOOL] — 执行的工具调用
[OK] / [ERROR] — 工具执行结果
Step N/50 — 当前步数
Agent finished after N steps — 任务完成

同时可以截取 VM 屏幕验证 GUI 状态：

prlctl capture "macOS" --file /tmp/vm_screenshot.png

Step 7: 任务完成判定

当看到以下输出时，任务已完成：

No tool call for 2 consecutive rounds, task confirmed complete.
Agent finished after N steps
Memory: final sync before close...

Step 8: 评估任务执行效果

从 VM 拉取完整 trace 日志：

# 列出最近的 trace
sshpass -p '123456' ssh -o IdentitiesOnly=yes jarvis@10.211.55.5 'ls -lt ~/jarvis/data/traces/ | head -5'

# 读取最新 trace
sshpass -p '123456' ssh -o IdentitiesOnly=yes jarvis@10.211.55.5 'cat ~/jarvis/data/traces/<最新trace>.md'

截取最终 VM 屏幕状态：

prlctl capture "macOS" --file /tmp/vm_final.png

评估维度：

任务完成度 — 是否真正完成了用户交给的任务
步骤效率 — 总步数是否合理，有无浪费步骤
错误处理 — 遇到障碍时是否正确应对（弹窗、权限、网络等）
放弃行为 — 是否过早放弃，是否尝试了多种方案
记忆利用 — 是否利用了已有记忆，是否记录了新发现
GUI 精度 — 点击是否准确，是否频繁误点

Step 9: 改进与迭代

根据评估结果修改代码/prompt：

# 修改 prompt
edit /Users/Ninot/NinotQuyi/jarvis/prompts/system.md
edit /Users/Ninot/NinotQuyi/jarvis/prompts/platform/macos.md

# 修改代码
edit /Users/Ninot/NinotQuyi/jarvis/src/...

# 提交
cd /Users/Ninot/NinotQuyi/jarvis
git add -A && git commit -m "improve: 改进描述"

# 同步到 VM (回到 Step 2)

Step 10: 快照管理（批量评测时使用）

# 创建干净快照
prlctl snapshot "macOS" --name "eval_clean"

# 列出快照
prlctl snapshot-list "macOS"

# 恢复快照（每次评测任务前）
prlctl snapshot-switch "macOS" --id {snapshot-id}

# 等待 VM 恢复
sleep 10

注意事项

tmux 输出读取必须用 capture-pane -b buf && save-buffer -b buf - 方式，直接 capture-pane -p 在用户 attach 时会失败
中文任务描述不要直接放在 tmux send-keys 中，写入脚本文件再执行
iTerm2 AppleScript 执行后返回可能显示为空或取消，需要通过 count of sessions 验证实际结果
VM 系统代理设置：networksetup -setwebproxy Ethernet 10.211.55.2 7897 等
微信等应用可能需要手动登录，Jarvis 会通过 call_user 请求协助
评估分支的改动是否合并到 develop 由用户决定