正解データで精度を測る（評価セット）のひな形
「経理のためのClaude活用」上級テーマJ
==========================================

このフォルダの中身
  evals.json        … 評価の問題集（Anthropic の公式ドキュメントで紹介されている形式）
  saiten_hyou.csv   … 採点表（Excel で開いて、○×を記入する）
  test-files/       … テストに使う仕訳データ（すべて架空）
    r5_shiwake_202609.csv … 誤り9件・要確認1件を含む30件（R5の練習データ）
    r5_test_seijou.csv    … すべて正しい8件（誤りを作り出さないかを見る）
    r5_test_aimai.csv     … 判断に迷う3件（「誤り」と決めつけないかを見る）

使い方
  1. R5 の仕訳チェックのスキル（shiwake-check）を登録した状態で、新しいチャット（または Claude Code の新しいセッション）を始めます。
  2. evals.json の "query" の文章と "files" のファイルを渡して実行します。
  3. 結果を "expected_behavior"（期待される動き）と見比べ、saiten_hyou.csv に○×を記入します。
  4. スキルをオフにして同じことを行い、スキルあり・なしで結果を比べます。
  5. スキルを書き換えたら、毎回すべてのテストをやり直し、前より悪くなっていないかを確かめます。

ポイント
  ・「誤りを見つけられるか」だけでなく、「正しいものを誤りと言わないか」「迷うものを決めつけないか」も確かめます。
  ・同じテストでも、結果が毎回少し変わることがあります。大事なテストは、何回か実行して確かめます。
