Přejít na hlavní obsah
Čeština— Vyberte jazyk
Menu

Hodnocení stop: bodování provádění

Lekce 23 z 25 Aktualizováno 29. července 2026 Vývojář
Na této stránce
  1. Hodnocení stop: bodování provádění
  2. Koncept hodnocení stop
  3. Automatické hodnocení pomocí pravidel
  4. Hodnocení založené na LLM
  5. Hodnoticí pipeline v produkci
  6. Dashboard kvality
  7. Klíčové poznatky

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