A/B tesztelési promptok
Ezen az oldalon
Lecke frissítve: 2026. november 3. az OpenAI dokumentációja alapján: a
temperatureés atop_pparaméterek csaknonegondolkodási erőfeszítés (reasoning effort) mellett fogadhatók el, míg a GPT-5.6 modellek alapértelmezetten (medium) gondolkodnak. Az ezeket a paramétereket beállító hívásoknak ezért expliciten meg kell adniuk areasoning={"effort": "none"}(Responses API) vagyreasoning_effort="none"(Chat Completions) beállítást. Források: GPT-6 használata · GPT-5.6 Terra.
A/B tesztelési promptok
A promptok A/B tesztelése lehetővé teszi, hogy valós forgalom alapján objektíven összehasonlíts egy prompt két változatát. Ahelyett, hogy ösztönösen választanál, megméred, melyik hoz jobb eredményeket az üzleti mutatóid szerint. Ez a kötelező lépés a prototípuskészítés és az élesítés között.
Elv
A bejövő forgalmat véletlenszerűen osztod szét két (vagy több) promptvariáns között. Minden választ kiértékelsz előre meghatározott szempontok alapján, és a győztes variánst a forgalom 100%-ára telepíted.
A módszer ereje abban rejlik, hogy mindkét variáns ugyanazzal a forgalommal, ugyanazon feltételek mellett, ugyanabban az időben néz szembe. Minden külső változékonysági forrás – szezonalitás, hálózati incidensek, új kéréstípusok megjelenése – mindkét csoportot egyformán érinti, így a comparison során kioltják egymást. Egy szekvenciális teszt ezt nem garantálhatja: ha egy hétig a régi, majd a következő héten az új promptot futtatod, nem tudod eldönteni, hogy a javulás az átírásodnak vagy a naptárnak köszönhető.
A/B tesztelési keretrendszer
A PromptExperiment osztálynak három feladata van. Az assign_variant eldönti, melyik variáns szolgáljon ki egy adott kérést, a run végrehajtja a hívást és naplózza az eredményt, a get_stats pedig aggregálja az adatokat.
A hozzárendelés külön figyelmet érdemel. Ha megadsz egy user_id-t, a hozzárendelés determinisztikus lesz, amelyet a kísérlet és a felhasználó párosának hash-értékéből számítunk. Ugyanaz a felhasználó hívásról hívásra ugyanabban a csoportban marad. Ez a folytonosság nem elméleti finomság: egy ügyfél, aki először meleg hangnemű választ kap, majd három perccel később száraz választ a követésére, azt hinné, hogy hiba történt, és elégedetlensége mindkét variánst szennyezné.
Minden végrehajtás rögzíti a bemenetet, a kimenetet, a felhasznált tokeneket és az időbélyeget. Ezek a tokének nem díszítésnek vannak: egy variáns nyerhet a minőségben, miközben megduplázza a válasz hosszát, és az _estimate_cost ezt a különbséget dollárra váltja, így megalapozott kompromisszumot köthetsz.
import random
import json
from datetime import datetime
from openai import OpenAI
client = OpenAI()
class PromptExperiment:
"""A/B tesztelési keretrendszer promptokhoz."""
def __init__(self, name: str, variants: dict[str, dict]):
"""
variants = {
"control": {"system_prompt": "...", "model": "gpt-5.6-terra",
"temperature": 0.3},
"variant_a": {"system_prompt": "...", "model": "gpt-5.6-terra",
"temperature": 0.1},
}
"""
self.name = name
self.variants = variants
self.results = {v: [] for v in variants}
def assign_variant(self, user_id: str = None) -> str:
"""Hozzárendel egy variánst (sticky user_id alapján, ha meg van adva)."""
if user_id:
# Determinisztikus hozzárendelés felhasználó alapján
hash_val = hash(f"{self.name}:{user_id}") % 100
keys = sorted(self.variants.keys())
split = 100 // len(keys)
for i, key in enumerate(keys):
if hash_val < (i + 1) * split:
return key
return keys[-1]
return random.choice(list(self.variants.keys()))
def run(self, input_text: str, user_id: str = None,
schema: dict = None) -> dict:
"""Végrehajtja a promptot a hozzárendelt variánssal."""
variant_name = self.assign_variant(user_id)
variant = self.variants[variant_name]
kwargs = {
"model": variant["model"],
"instructions": variant["system_prompt"],
"input": input_text,
"temperature": variant.get("temperature", 0.3)
}
if schema:
kwargs["text"] = {
"format": {
"type": "json_schema",
"name": "response",
"schema": schema,
"strict": True
}
}
response = client.responses.create(**kwargs)
result = {
"variant": variant_name,
"input": input_text,
"output": response.output_text,
"tokens_input": response.usage.input_tokens,
"tokens_output": response.usage.output_tokens,
"timestamp": datetime.now().isoformat()
}
self.results[variant_name].append(result)
return result
def get_stats(self) -> dict:
"""Statisztikákat számít variánsenként."""
stats = {}
for variant, results in self.results.items():
if not results:
continue
tokens_in = [r["tokens_input"] for r in results]
tokens_out = [r["tokens_output"] for r in results]
stats[variant] = {
"count": len(results),
"avg_tokens_input": sum(tokens_in) / len(tokens_in),
"avg_tokens_output": sum(tokens_out) / len(tokens_out),
"total_cost_estimate": self._estimate_cost(
sum(tokens_in), sum(tokens_out)
)
}
return stats
def _estimate_cost(self, tokens_in: int,
tokens_out: int) -> float:
"""Becsült költség USD-ben."""
return (tokens_in * 2.5 + tokens_out * 10) / 1_000_000
Értékelési mutatók
A mutatók a használati esetedtől függenek, és két család lefedi a legtöbb forgatókönyvet. Ha a feladatnak van helyes válasza – például egy jegy osztályozása vagy egy mező kinyerése –, az értékelés arra redukálódik, hogy összehasonlítod egy referenciacímkével. Ezt a szerepet tölti be az evaluer_classification. Figyeld meg a tanulságos választást itt: a feldolgozási hibákat üres előrejelzésként kezeljük ahelyett, hogy kivételt dobnánk, mert annak a variánsnak, amely érvénytelen JSON-t produkál, büntetnie kell magát a pontszámban, nem pedig összeomlasztania a mérést.
Amikor a feladat szabad szöveget eredményez, nincs egyetlen helyes válasz, így a modellt kéred fel döntőbírónak. Az evaluer_qualite_texte négy kritériumra bontja az ítéletet – relevancia, érthetőség, teljesség, professzionális hangnem –, ahelyett, hogy közvetlen összesített pontszámot kérne. Ez a lebontás stabilabbá teszi az értékelést, és megmutatja, melyik tengelyen jeleskedik a győztes variáns: annak ismerete, hogy a nyereség a hangnemből és nem a teljességből származik, pontosan az az információ, amire szükséged van a következő verzió megírásához.
def evaluer_classification(result: dict,
label_attendu: str) -> dict:
"""Kiértékel egy osztályozási választ."""
try:
output = json.loads(result["output"])
prediction = output.get("category", "")
except json.JSONDecodeError:
prediction = ""
return {
"correct": prediction == label_attendu,
"prediction": prediction,
"attendu": label_attendu
}
def evaluer_qualite_texte(result: dict) -> dict:
"""Kiértékeli a szöveges válasz minőségét az LLM segítségével."""
eval_response = client.responses.create(
model="gpt-5.6-terra",
reasoning={"effort": "none"}, # a temperature megköveteli a none effortet
instructions="You are a text quality evaluator. "
"Rate out of 10 based on: relevance, clarity, "
"completeness, professional tone.",
input=f"Question: {result['input']}\n\n"
f"Answer: {result['output']}",
text={
"format": {
"type": "json_schema",
"name": "evaluation",
"schema": {
"type": "object",
"properties": {
"pertinence": {"type": "integer"},
"clarte": {"type": "integer"},
"completude": {"type": "integer"},
"ton": {"type": "integer"},
"note_globale": {"type": "number"},
"commentaire": {"type": "string"}
},
"required": ["pertinence", "clarte",
"completude", "ton",
"note_globale", "commentaire"],
"additionalProperties": False
},
"strict": True
}
},
temperature=0.1
)
return json.loads(eval_response.output_text)
Teljes példa: Két promptstílus tesztelése
Az alábbi kísérlet két ügyfélszolgálati megközelítést állít szembe. A kontroll egy minimális, professzionális és semleges utasítást használ. Az „empátiikus“ variáns egy három lépésből álló struktúrát ír elő: ismerd el a problémát, fejezz ki empátiát, majd javasolj konkrét megoldást lépésekkel. Minden más azonos, a modelltől a hőmérsékletig. Ez a szimmetria a feltétele annak, hogy bármilyen mért különbséget a promptnak tulajdoníts. Ha egyszerre változtatnád meg a hangnemet és a hőmérsékletet, az értelmezhetetlen eredményt adna.
Az öt tesztjegy szándékosan különböző regisztereket fed le: egy érzelmileg telített kézbesítési incidenst, egy funkcionális hibát, egy semleges jelszókérdést, egy vitatott visszatérítési kérelmet és egy technikai profil által jelentett API-kimaradást. Azt várod, hogy az empátiikus variáns domináljon az első kettőben, és büntetve legyen az utolsóban, ahol a beszélgetőpartner státuszt és becslést akar, nem együttérzést. Ez az a nüansz, amit egy globális átlag elmaszkol, és amit a jegyenkénti vizsgálat tár fel – ami gyakran a valódi döntéshez vezet: a kérés típusa alapján irányítsd a forgalmat, ahelyett, hogy egyetlen hangnemet választanál.
experiment = PromptExperiment(
name="customer-support-style",
variants={
"control": {
"system_prompt": "You are a support agent. "
"Respond professionally.",
"model": "gpt-5.6-terra",
"temperature": 0.3
},
"empathique": {
"system_prompt": "You are a caring support agent. "
"Start by acknowledging the customer's problem, "
"show empathy, then propose a concrete solution "
"with steps.",
"model": "gpt-5.6-terra",
"temperature": 0.3
}
}
)
# Forgalom szimulálása
test_tickets = [
"My package hasn't arrived in 2 weeks.",
"The app crashes when I click on Settings.",
"How do I change my password?",
"I want a refund, the product is defective.",
"Your API has been returning a 500 error since this morning.",
]
for ticket in test_tickets:
result = experiment.run(ticket)
quality = evaluer_qualite_texte(result)
print(f"Variant: {result['variant']} | "
f"Score: {quality['note_globale']}/10")
print("\nStatistics:")
print(json.dumps(experiment.get_stats(), indent=2))
Statisztikai szignifikancia
Ne vonj le túl gyorsan következtetéseket. Kevés adat mellett az eredmények zajosak, és a klasszikus hiba az, hogy tizenkét megfigyelés alapján a 7,4-et a 6,9 ellenében látva győztest hirdetsz. Az alábbi Student-féle t-próba csak egyetlen kérdésre ad választ: nagyobb-e a megfigyelt különbség annál, amit a véletlen természetesen produkálna két egyenértékű sorozat között?
A 0,05 alatti p_value azt jelenti, hogy egy ilyen különbség valószínűtlen lenne, ha a két variáns egyenlő lenne. Efölött semmit nem bizonyítottál – ami nem ugyanaz, mint az egyenlőség bizonyítása. Legtöbbször egyszerűen nincs elég adatod. Számíts legalább száz megfigyelésre variánsenként, mielőtt következtetnél, és óvakodj a kísértéstől, hogy minden reggel ellenőrizd az eredményeket. Ha elég gyakran nézed, mindig találsz egy pillanatot, amikor a különbség jelentősnek tűnik.
from scipy import stats
def test_significativite(scores_a: list[float],
scores_b: list[float]) -> dict:
"""Student-féle t-próba két variáns összehasonlítására."""
t_stat, p_value = stats.ttest_ind(scores_a, scores_b)
return {
"moyenne_a": sum(scores_a) / len(scores_a),
"moyenne_b": sum(scores_b) / len(scores_b),
"p_value": p_value,
"significatif": p_value < 0.05,
"recommandation": (
"Significant difference, deploy the winning variant"
if p_value < 0.05
else "Not enough data or no significant difference"
)
}
Az első kísérleted elindítása
Válassz egy jól ismert feladatot, és állíts be egy PromptExperiment-et két variánssal, ahol csak egy dolgot változtatsz a kontroll és a variáns között: egy hangnemet, egy előírt struktúrát vagy egy további utasítást. Mielőtt bármit elindítanál, definiálj két vagy három mutatót, mert a mutató eredmények utáni kiválasztása olyan, mint előre kiválasztani a győztest, és ez a leggyakoribb torzítás a házi készítésű tesztekben.
Futtasd a kísérletet húsz bemeneten, majd elemezz. Nézd meg az átlagot, de különösen nyisd meg azokat az eseteket, ahol a két variáns a leginkább eltér: ezek magyarázzák a különbséget. Húsz megfigyelés nyilván nem lesz elég a szignifikancia eléréséhez, és ezt magadnak rájönni jobb, mint itt olvasni. Végül dokumentáld a döntést, és archiváld a nyers eredményeket a dátummal és a pontos variánskonfigurációval – ez az archívum akadályozza meg, hogy egy év múlva ugyanazt a kísérletet futtasd le újra.
Főbb megállapítások
- Az A/B tesztelés az ösztönt mérhető adatokkal helyettesíti
- A variánsokat determinisztikusan, felhasználó alapján rendeld hozzá
- Üzleti mutatókat mérj, ne csak az érzékelt minőséget
- Várd meg a statisztikai szignifikanciát, mielőtt következtetnél
- Dokumentálj minden kísérletet és annak eredményeit