Ocena śladów: punktowanie wykonań
Na tej stronie
Ocena śladów: punktowanie wykonań
Śledzenie (tracing) rejestruje działania Twojego agenta. To niezbędne, ale niewystarczające: nikt nie czyta dziesięciu tysięcy śladów dziennie, a problemy ukrywają się właśnie w tych, których nigdy nie otwierasz. Ocena śladów (trace grading) idzie dalej: automatycznie punktuje każde wykonanie, aby wykryć błędy, mierzyć jakość w czasie i zasilać pętlę ciągłego doskonalenia.
Koncepcja oceny śladów
Każdy ślad wygenerowany przez Twojego agenta zawiera pełne wykonanie: wiadomość użytkownika, wywołania narzędzi, odpowiedzi pośrednie i ostateczną odpowiedź. Ocena śladów analizuje te dane i przypisuje punkty na podstawie Twoich kryteriów. Przechodzisz od dziennika sprawdzanego post factum do metryki monitorowanej ciągle, a pytanie „Jak agent radzi sobie właśnie teraz?“ przestaje być zgadywanką.
Automatyczna ocena oparta na regułach
Najprostszy poziom wykorzystuje reguły programistyczne do punktowania każdego śladu. Każda reguła startuje z idealną oceną 1.0 i odejmuje punkty w zależności od tego, co zaobserwuje. Wykonanie trwające dłużej niż dziesięć sekund traci 0.2 punktu – nie dlatego, że wynik jest błędny, ale ponieważ użytkownik prawdopodobnie zrezygnował. Więcej niż piętnaście tur kosztuje 0.3 punktu: to sygnał, że agent kręci się w kółko między dwoma narzędziami. Każdy błąd narzędzia odejmuje 0.1 punktu. Aktywacje mechanizmów ochronnych (guardrails) są flagowane bez kary – wykonały swoją pracę – ale sama odpowiedź krótsza niż dziesięć znaków kosztuje pół punktu, ponieważ milczący agent jest bezużyteczny.
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,
)
Słownik details zawsze towarzyszy ocenie: bez niego wiedziałbyś, że wykonanie uzyskało 0.5, ale nie wiedziałbyś dlaczego. Te progi są Twoje, a nie uniwersalnymi stałymi – agent badawczy toleruje piętnaście tur, podczas gdy asystent kasowy musi odpowiedzieć w trzy.
Ocena oparta na modelu LLM
Reguły nie widzą treści. Szybka, krótka i uprzejma odpowiedź, która całkowicie omija sedno sprawy, uzyska 1.0. Dla dokładniejszej ewaluacji użyj modelu do oceny śladów pod kątem merytorycznym: trafności, dokładności i tonu, każdy w skali 1–5, wraz z zidentyfikowanymi problemami i sugestiami poprawy. Ponownie, strukturyzowane wyjście przez Pydantic sprawia, że wyniki można agregować, zamiast generować komentarze w formie swobodnego tekstu.
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 przekazuje również wywołane narzędzia i czas trwania: sędzia może więc ukarać agenta za odpowiedź bez konsultacji z katalogiem, czego samo przeczytanie odpowiedzi by nie umożliwiło.
Potok oceniania w środowisku produkcyjnym
Połącz teraz oba podejścia, nie rujnując budżetu. Punktowanie każdego śladu za pomocą LLM przy wolumenie produkcyjnym mnoży rachunki za inferencję; używanie samych reguł pozostawia Cię ślepym na treść. Poniższy potok stosuje filtr: wszystkie ślady przechodzą przez ocenę programistyczną, która jest szybka i darmowa, a tylko te wypadające poniżej 0.7 trafiają do sędziego. Wynik sędziego, suma trzech ocen 1–5, jest skalowany do zakresu 0–1 przez podzielenie przez 15, aby pozostać porównywalnym z pierwszym. Poniżej 0.5 ślad trafia na listę alertów krytycznych.
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())
Raport utrzymuje minimalny wynik i próbkę dziesięciu najgorszych śladów: to tam zaczyna się dochodzenie, nigdy przy średniej.
Dashboard jakości
Pojedynczy wynik nic nie znaczy; informuje jego trajektoria. Zapisując codzienny raport do pliku JSONL, budujesz szereg czasowy, który odczyta każde narzędzie wizualizacyjne, i możesz automatycznie porównać najnowszy punkt z poprzednim. Spadek większy niż 0.1 wyzwala alert regresji – a skorelowanie go z wdrożeniami z danego dnia zwykle wskazuje winowajcę w ciągu kilku minut.
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
Porównywanie dwóch kolejnych dni pozostaje wrażliwe na szum: przy małym wolumenie preferuj średnią ruchomą, zanim ogłosisz regresję, inaczej będziesz gonić statystyczny wybryk.
Kluczowe wnioski
- Ocena śladów automatycznie punktuje każde wykonanie Twojego agenta
- Reguły programistyczne (opóźnienia, błędy, długość) są szybkie i niezawodne
- Ocena LLM ewaluuje trafność, dokładność i ton
- Łącz oba podejścia: szybkie reguły do filtrowania, LLM do przypadków granicznych
- Śledź wyniki w czasie, aby wykrywać regresje
- Alerty krytyczne (wynik < 0.5) muszą uruchomić dochodzenie