Przejdź do głównej treści
Polski— Wybierz język
Menu

Ocena śladów: punktowanie wykonań

Lekcja 23 z 25 Zaktualizowano 29 lipca 2026 Programista
Na tej stronie
  1. Ocena śladów: punktowanie wykonań
  2. Koncepcja oceny śladów
  3. Automatyczna ocena oparta na regułach
  4. Ocena oparta na modelu LLM
  5. Potok oceniania w środowisku produkcyjnym
  6. Dashboard jakości
  7. Kluczowe wnioski

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