Gradazzjoni tat-traċċi: punteġġ tal-eżekuzzjonijiet
F'din il-paġna
Gradazzjoni tat-traċċi: punteġġ tal-eżekuzzjonijiet
It-traċċar jirreġistra x’jagħmel l-aġent tiegħek. Dan huwa essenzjali, iżda mhux biżżejjed: ħadd ma jaqra għaxart elef traċċa kuljum, u l-problemi jinħbew eżattament f’dawk li qatt ma tiftaħ. Il-gradazzjoni tat-traċċi tmur lil hinn: tivvaluta awtomatikament kull eżekuzzjoni biex tindividwa problemi, tkejjel il-kwalità matul iż-żmien, u titma’ ċiklu kontinwu ta’ titjib.
Il-kunċett tal-gradazzjoni tat-traċċi
Kull traċċa li jipproduċi l-aġent tiegħek fiha l-eżekuzzjoni sħiħa: il-messaġġ tal-utent, is-sejħiet tal-għodod, ir-risponsi intermedjarji, u t-tweġiba finali. Il-gradazzjoni tat-traċċi tanalizza dawn it-traċċi u taħtri punteġġi bbażati fuq il-kriterji tiegħek. Inti timxi minn reġistru li tikkonsulta wara l-fatt għal metrika li timmonitorja kontinwament, u l-mistoqsija “Kif qed jaħdem l-aġent bħalissa?” tieqaf tkun suppożizzjoni.
Gradazzjoni awtomatika bir-regoli
Il-livell l-aktar sempliċi juża regoli programmatiċi biex jivvaluta kull traċċa. Kull regola tibda minn punteġġ perfett ta’ 1.0 u tnaqqas punti abbażi ta’ dak li tosserva. Eżekuzzjoni li tieħu aktar minn għaxar sekondi titlef 0.2 punti, mhux għax ir-riżultat huwa żbaljat iżda għax l-utent x’aktarx irriżenja. Aktar minn ħmistax-il dawra tispiċċa bi tnaqqis ta’ 0.3 punti: din hija s-sinjal ta’ aġent idur f’ċirku bejn żewġ għodod. Kull żball fl-għodda jnaqqas 0.1 punti. Il-guardrails attivati jiġu mmarkati mingħajr penali—huma għamlu xogħolhom—iżda tweġiba iqsar minn għaxar karattru waħedha tispiċċa b’nofs punt, għax aġent sieket huwa aġent inutli.
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,
)
Id-dizzjunarju details dejjem jakkumpanja l-punteġġ: mingħajru, tkun taf li eżekuzzjoni skurjat 0.5 iżda mhux għaliex. Dawn il-limiti huma tiegħek, mhux kostanti universali—aġent tar-riċerka jittollera ħmistax-il dawra fejn assistent tal-ħlas irid iwieġeb fi tlieta.
Gradazzjoni bbażata fuq LLM
Ir-regoli ma jarawx il-kontenut. Tweġiba mgħaġġla, qasira u polite li titlef il-punt kompletament se tiskurja 1.0. Għal evalwazzjoni aktar fina, uża mudell biex tivvaluta t-traċċi fuq is-sustanza: rilevanza, preċiżjoni u ton, kull waħda minn 1 sa 5, flimkien ma’ problemi identifikati u suġġerimenti għat-titjib. Mill-ġdid, output strutturat permezz ta’ Pydantic jagħmel il-punteġġi aggregabbli minflok ma jipproduċi kummentarju f’forma ħielsa.
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
Il-prompt jgħaddi wkoll l-għodod imsejħa u d-durata: b’hekk il-ġudiku jista’ jilmenta li l-aġent wieġeb mingħajr ma kkonsulta l-katalgu, ħaġa li l-qari tat-tweġiba waħedha ma kienx jippermetti.
Pipeline tal-gradazzjoni fil-produzzjoni
Issa għaqqad iż-żewġ approċċi mingħajr ma tinfaqa’ l-baġit tiegħek. Il-punteġġ ta’ kull traċċa b’LLM f’volum ta’ produzzjoni jimmultiplika l-kont tal-inferenza tiegħek; l-użu ta’ regoli biss iħallik għami għas-sustanza. Il-pipeline hawn taħt tapplika filtru: it-traċċi kollha jgħaddu mill-gradazzjoni programmatika, li hija mgħaġġla u bla ħlas, u dawk biss li jaqgħu taħt 0.7 jmorru għand il-ġudiku. Il-punteġġ tal-ġudiku, is-somma ta’ tliet klassifikazzjonijiet ta’ 1–5, jiġi skalat għal 0–1 billi jiġi diviż b’15 biex jibqa’ komparabbli mal-ewwel wieħed. Taħt 0.5, it-traċċa tidħol fil-lista tal-allerti kritiċi.
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())
Ir-rapport iżomm l-inqas punteġġ u kampjun tal-għaxar traċċi l-agħar: hemmhekk tibda investigazzjoni, qatt mhux bil-medja.
Dashboard tal-kwalità
Punteġġ wieħed ma jfisser xejn; it-traċċatorja tiegħu hija li tinforma. Billi tikteb ir-rapport ta’ kuljum f’fajl JSONL, tibni serje temporali li kwalunkwe għodda ta’ viżwalizzazzjoni tista’ taqra, u tista’ tqabbel awtomatikament l-aħħar punt ma’ dak ta’ qablu. Tnaqqis ta’ aktar minn 0.1 jattiva allert ta’ regrezzjoni—u l-korrelazzjoni tiegħu mad-deployments tal-ġurnata tiegħek ħafna drabi turi l-ħati fi żmien minuti.
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
It-tqabbil ta’ żewġ ijiem konsekuttivi jibqa’ sensittiv għall-istorbju: fuq volum baxx, ippreferi medja li tiċċaqlaq qabel ma tgħajjat regrezzjoni, inkella se tkun qed tfittex anomalija statistika.
Punti Ewlenin
- Il-gradazzjoni tat-traċċi tivvaluta awtomatikament kull eżekuzzjoni tal-aġent tiegħek
- Ir-regoli programmatiċi (latenza, żbalji, tul) huma mgħaġġla u affidabbli
- Il-gradazzjoni b’LLM tevalwa r-rilevanza, il-preċiżjoni u t-ton
- Għaqqad iż-żewġ metodi: regoli mgħaġġla għall-filtrar, LLM għall-każijiet limitrofi
- Segwi l-punteġġi matul iż-żmien biex tindividwa regrezzjonijiet
- Allerti kritiċi (punteġġ < 0.5) iridu jattivaw investigazzjoni