准备

1. 安装 [uv](https://docs.astral.sh/uv/)

2. 安装并登录要测试的 CLI：[Codex](https://github.com/openai/codex)、[Claude Code](https://code.claude.com)、[OpenCode](https://opencode.ai)

3. 配置评委：

   cp .env.example .env

   然后编辑 `.env`：

   变量	说明
   JUDGE_PROTOCOL	接口协议：chat_completions / messages / responses
   JUDGE_BASE_URL	API 地址
   JUDGE_MODEL	评委模型，必须支持图片输入
   JUDGE_API_KEY	API key
   JUDGE_SAMPLES	可选，每个作品独立评几次取平均，默认 3

   `JUDGE_BASE_URL` 的写法与官方 SDK 一致：

   • chat_completions / responses：如 https://api.openai.com/v1、https://api.deepseek.com
   • messages：不带 /v1，如 https://api.anthropic.com、https://api.deepseek.com/anthropic

首次运行时 uv 会自动安装依赖。

用法

uv run codex_pelican_eval.py -m gpt-5.5 -r high -n 3
uv run claude_pelican_eval.py -m opus -r high -n 3
uv run opencode_pelican_eval.py -m openai/gpt-5.5 -r high -n 3

参数：

• -m, --model：模型名。Claude Code 可用别名（如 fable / opus / sonnet），OpenCode 用 provider/model 格式。省略时用 CLI 的默认模型
• -r, --reasoning-effort：推理强度。Codex 可选 low/medium/high/xhigh/max/ultra，默认 medium；Claude Code 传给 --effort；OpenCode 传给 --variant。后两者省略时用 CLI 的默认设置
• -n, --tests：测试次数，默认 1
• --no-judge：只生成、渲染和做静态统计，不调用评委

发给 agent 的 prompt：

Generate a 2D animated SVG of a pelican riding a bicycle.

Animation:
- Animate the scene with SMIL or CSS animations inside the SVG itself. Do not use JavaScript.

Constraints:
- Produce the SVG in a single pass.
- Do not test or execute the SVG.
- Do not open it in a browser or renderer.
- Do not perform visual validation or screenshot-based inspection.
- Do not use tools to inspect the generated result.
- Do not perform iterative refineme