Hodnocení stop: bodování provádění
Na této stránce
Hodnocení stop: bodování provádění
Tracing (sledování) zaznamenává, co tvůj agent dělá. To je nezbytné, ale nestačí to: nikdo nepřečte deset tisíc stop denně a problémy se skrývají přesně v těch, které nikdy neotevřeš. Hodnocení stop jde dál: automaticky ohodnotí každé provádění, aby odhalilo problémy, měřilo kvalitu v čase a napájelo cyklus neustálého zlepšování.
Koncept hodnocení stop
Každá stopa, kterou tvůj agent vyprodukuje, obsahuje celé provádění: zprávu uživatele, volání nástrojů, průběžné odpovědi i finální výsledek. Hodnocení stop analyzuje tyto stopy a přiřazuje skóre na základě tvých kritérií. Posouváš se od logu, který konzultuješ dodatečně, k metrice, kterou sleduješ nepřetržitě, a otázka „Jak si agent právě teď vede?“ přestává být hádáním.
Automatické hodnocení pomocí pravidel
Nejjednodušší úroveň využívá programatická pravidla k bodování každé stopy. Každé pravidlo vychází z perfektního skóre 1,0 a odečítá body na základě toho, co pozoruje. Provádění, které trvá déle než deset sekund, ztrácí 0,2 bodu – ne proto, že by výsledek byl špatný, ale protože uživatel pravděpodobně odešel. Více než patnáct kol stojí 0,3 bodu: to je signatura agenta, který se točí v kruhu mezi dvěma nástroji. Každá chyba nástroje odečte 0,1 bodu. Aktivované ochranné mechanismy (guardrails) jsou označeny bez penalizace – odvedly svou práci – ale odpověď kratší než deset znaků sama o sobě stojí půl bodu, protože mlčící agent je k ničemu.
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,
)
Slovník details vždy doprovází skóre: bez něj bys věděl, že provádění získalo 0,5, ale nevěděl bys proč. Tyto prahové hodnoty jsou tvoje, ne univerzální konstanty – výzkumný agent snese patnáct kol, zatímco asistent pro pokladnu musí odpovědět do tří.
Hodnocení založené na LLM
Pravidla nevidí obsah. Rychlá, krátká a zdvořilá odpověď, která zcela mine pointu, získá skóre 1,0. Pro jemnější evaluaci použij model k hodnocení stop podle podstaty: relevance, přesnosti a tónu, každé od 1 do 5, spolu s identifikovanými problémy a návrhy na zlepšení. Opět platí, že strukturovaný výstup přes Pydantic činí skóre agregovatelnými místo produkce volného textového komentáře.
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
Prompt také předává použité nástroje a dobu trvání: rozhodčí tak může agentovi vytknout, že odpověděl bez nahlédnutí do katalogu, což by pouhé čtení odpovědi neumožnilo.
Hodnoticí pipeline v produkci
Nyní oba přístupy zkombinuj, aniž bys zničil rozpočet. Bodování každé stopy pomocí LLM při produkčním objemu znásobí tvůj účet za inferenci; použití pouze pravidel tě nechá slepým vůči podstatě. Níže uvedená pipeline aplikuje filtr: všechny stopy projdou programatickým hodnocením, které je rychlé a zdarma, a pouze ty, které klesnou pod 0,7, jdou k rozhodčímu. Skóre rozhodčího, součet tří hodnocení 1–5, je škálováno na 0–1 vydělením 15, aby zůstalo srovnatelné s tím prvním. Pod 0,5 se stopa zařadí do seznamu kritických alertů.
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())
Zpráva udržuje minimální skóre a vzorek deseti nejhorších stop: tam začíná vyšetřování, nikdy u průměru.
Dashboard kvality
Jediné skóre nic neznamená; informuje jeho trajektorie. Zápisem denní zprávy do souboru JSONL vytvoříš časovou řadu, kterou si přečte jakýkoli vizualizační nástroj, a můžeš automaticky porovnat nejnovější bod s tím předchozím. Pokles o více než 0,1 spustí alert na regresi – a jeho korelace s nasazeními toho dne obvykle během několika minut ukáže na viníka.
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
Porovnání dvou po sobě jdoucích dnů zůstává citlivé na šum: při nízkém objemu upřednostni klouzavý průměr, než začneš křičet na regresi, jinak budeš honit statistickou chybu.
Klíčové poznatky
- Hodnocení stop automaticky boduje každé provádění tvého agenta
- Programatická pravidla (latence, chyby, délka) jsou rychlá a spolehlivá
- Hodnocení pomocí LLM evaluuje relevanci, přesnost a tón
- Zkombinuj obojí: rychlá pravidla pro filtrování, LLM pro hraniční případy
- Sleduj skóre v čase, abys odhalil regrese
- Kritické alerty (skóre < 0,5) musí spustit vyšetřování