Оценяване на следи: оценяване на изпълненията
На тази страница
Оценяване на следи: оценяване на изпълненията
Проследяването (tracing) записва какво прави Вашият агент. Това е от съществено значение, но не е достатъчно: никой не чете десет хиляди следи на ден, а проблемите се крият точно в тези, които никога не отваряте. Оценяването на следи (Trace grading) отива по-далеч: то автоматично оценява всяко изпълнение, за да открива проблеми, да измерва качеството във времето и да захранва цикъл за непрекъснато подобряване.
Концепцията за оценяване на следи
Всяка следа, генерирана от Вашия агент, съдържа пълното изпълнение: съобщението на потребителя, извикванията на инструменти, междинните отговори и крайния резултат. Оценяването на следи анализира тези следи и присъжда оценки въз основа на Вашите критерии. Преминавате от дневник, който консултирате постфактум, към метрика, която наблюдавате непрекъснато, и въпросът „Как се справя агентът в момента?“ спира да бъде предположение.
Автоматично оценяване с правила
Най-простото ниво използва програмни правила за оценяване на всяка следа. Всяко правило започва от перфектна оценка 1.0 и приспада точки въз основа на наблюдаваното. Изпълнение, което отнема повече от десет секунди, губи 0.2 точки, не защото резултатът е грешен, а защото потребителят вероятно се е отказал. Повече от петнадесет оборота струва 0.3 точки: това е белегът на агент, който се върти в кръг между два инструмента. Всяка грешка в инструмента приспада 0.1 точки. Активираните защитни механизми (guardrails) се маркират без наказание – те са си свършили работата – но отговор, по-къс от десет знака, сам по себе си струва половин точка, защото един мълчалив агент е безполезен агент.
from dataclasses import dataclass
@dataclass
class GradeTrace:
trace_id: str
score: float # 0.0 to 1.0
details: dict
alerts: list[str]
def grade_trace(trace_data: dict) -> GradeTrace:
"""Scores a trace based on business rules."""
score = 1.0
alerts = []
details = {}
# Rule 1: Latency
duration = trace_data.get("duration_ms", 0)
if duration > 10000:
score -= 0.2
alerts.append(f"High latency: {duration}ms")
details["latency_ms"] = duration
# Rule 2: Number of turns
num_turns = trace_data.get("num_turns", 0)
if num_turns > 15:
score -= 0.3
alerts.append(f"Too many turns: {num_turns}")
details["num_turns"] = num_turns
# Rule 3: Tool errors
tool_errors = trace_data.get("tool_errors", 0)
if tool_errors > 0:
score -= 0.1 * tool_errors
alerts.append(f"{tool_errors} tool error(s)")
details["tool_errors"] = tool_errors
# Rule 4: Triggered guardrails
guardrails = trace_data.get("guardrails_triggered", 0)
if guardrails > 0:
alerts.append(f"{guardrails} guardrail(s) triggered")
details["guardrails"] = guardrails
# Rule 5: Empty response
response = trace_data.get("final_output", "")
if not response or len(response) < 10:
score -= 0.5
alerts.append("Empty or too short response")
details["response_length"] = len(response)
return GradeTrace(
trace_id=trace_data["trace_id"],
score=max(0.0, score),
details=details,
alerts=alerts,
)
Речникът details винаги придружава оценката: без него бихте знаели, че дадено изпълнение е получило 0.5, но не и защо. Тези прагове са Ваши, а не универсални константи – един изследователски агент допуска петнадесет оборота, докато асистент за плащания трябва да отговори в рамките на три.
Оценяване, базирано на LLM
Правилата не виждат съдържанието. Бърз, кратък и учтив отговор, който напълно пропуска същността, ще получи оценка 1.0. За по-фин анализ използвайте модел за оценяване на следите по същество: релевантност, точност и тон, всеки от 1 до 5, заедно с идентифицирани проблеми и предложения за подобрение. Отново, структурираният изход чрез Pydantic прави оценките агрегируеми, вместо да произвежда коментари в свободен формат.
from pydantic import BaseModel
from agents import Agent, Runner
class GradeLLM(BaseModel):
relevance_score: int # 1-5
accuracy_score: int # 1-5
tone_score: int # 1-5
issues: list[str]
suggestions: list[str]
grader_agent = Agent(
name="Trace Grader",
instructions="""You score executions of a sales agent.
Analyze the full trace (question, tools called, response) and score:
- Relevance (1-5): Does the response answer the question?
- Accuracy (1-5): Is the information correct?
- Tone (1-5): Is the tone professional and appropriate?
Identify issues and propose improvements.""",
model="gpt-5.6-sol",
output_type=GradeLLM,
)
async def grade_trace_llm(trace: dict) -> GradeLLM:
prompt = f"""Execution trace to score:
User question: {trace['user_message']}
Tools called: {trace['tools_called']}
Final response: {trace['final_output']}
Duration: {trace['duration_ms']}ms
Number of turns: {trace['num_turns']}"""
result = await Runner.run(grader_agent, prompt)
return result.final_output
Подканата (prompt) също предава извиканите инструменти и продължителността: по този начин съдията може да упрекне агента, че е отговорил, без да се консултира с каталога, което само прочитането на отговора не би позволило.
Конвейер за оценяване в продукция
Сега комбинирайте двата подхода, без да раздувате бюджета си. Оценяването на всяка следа с LLM при обеми на продукция умножава сметката Ви за изводи (inference); използването само на правила Ви оставя слепи за същността. Конвейерът по-долу прилага филтър: всички следи минават през програмно оценяване, което е бързо и безплатно, и само тези, падащи под 0.7, отиват при съдията. Оценката на съдията, сумата от три рейтинга от 1 до 5, се мащабира до 0–1 чрез деление на 15, за да остане сравнима с първата. Под 0.5, следата се присъединява към списъка с критични предупреждения.
import asyncio
from collections import defaultdict
class GradingPipeline:
def __init__(self):
self.scores = defaultdict(list)
self.critical_alerts = []
async def grade_batch(self, traces: list[dict]):
"""Scores a batch of traces."""
for trace in traces:
# Programmatic grading (fast)
rule_grade = grade_trace(trace)
# LLM grading for borderline cases
if rule_grade.score < 0.7:
llm_grade = await grade_trace_llm(trace)
final_score = (
llm_grade.relevance_score +
llm_grade.accuracy_score +
llm_grade.tone_score
) / 15.0 # Normalize to 0-1
else:
final_score = rule_grade.score
self.scores["global"].append(final_score)
# Alerts
if final_score < 0.5:
self.critical_alerts.append({
"trace_id": trace["trace_id"],
"score": final_score,
"alerts": rule_grade.alerts,
})
def report(self):
"""Generates a quality report."""
scores = self.scores["global"]
if not scores:
return "No traces evaluated."
import statistics
return {
"num_traces": len(scores),
"avg_score": statistics.mean(scores),
"median_score": statistics.median(scores),
"min_score": min(scores),
"pct_critical": len(self.critical_alerts) / len(scores),
"critical_alerts": self.critical_alerts[:10],
}
# Usage
pipeline = GradingPipeline()
await pipeline.grade_batch(traces_of_the_day)
print(pipeline.report())
Отчетът запазва минималната оценка и извадка от десетте най-лоши следи: оттук започва разследването, никога със средната стойност.
Табло за качество
Единичната оценка не означава нищо; нейната траектория информира. Записвайки ежедневния отчет в JSONL файл, изграждате времеви ред, който всеки инструмент за визуализация може да прочете, и можете автоматично да сравнявате последната точка с предишната. Спад от повече от 0.1 задейства предупреждение за регресия – и корелирането му с Вашите внедрявания за деня обикновено посочва виновника в рамките на минути.
import json
from datetime import datetime
def log_metrics(report: dict, file: str = "agent_metrics.jsonl"):
"""Logs daily metrics."""
entry = {
"date": datetime.now().isoformat(),
**report,
}
with open(file, "a") as f:
f.write(json.dumps(entry) + "\n")
def detect_regression(recent_metrics: list[dict], threshold: float = 0.1):
"""Detects a significant quality drop."""
if len(recent_metrics) < 2:
return False
latest = recent_metrics[-1]["avg_score"]
previous = recent_metrics[-2]["avg_score"]
drop = previous - latest
if drop > threshold:
print(f"REGRESSION DETECTED: score dropped from {previous:.2f} to {latest:.2f}")
return True
return False
Сравняването на два последователни дни остава чувствително към шум: при нисък обем предпочитайте плъзгаща се средна стойност, преди да обявите регресия, в противен случай ще преследвате статистически случайност.
Ключови изводи
- Оценяването на следи автоматично оценява всяко изпълнение на Вашия агент
- Програмните правила (латентност, грешки, дължина) са бързи и надеждни
- Оценяването чрез LLM оценява релевантността, точността и тона
- Комбинирайте двете: бързи правила за филтриране, LLM за гранични случаи
- Следете оценките във времето, за да откриете регресии
- Критичните предупреждения (оценка < 0.5) трябва да задействат разследване