Testy A/B promptów
Na tej stronie
Lekcja zaktualizowana 3 listopada 2026 na podstawie dokumentacji OpenAI: parametry
temperatureitop_psą akceptowane tylko przy wysiłku rozumowania (reasoning effort) ustawionym nanone, podczas gdy modele GPT-5.6 domyślnie przeprowadzają rozumowanie (medium). Wywołania ustawiające te parametry muszą zatem określaćreasoning={"effort": "none"}(Responses API) lubreasoning_effort="none"(Chat Completions). Źródła: Using GPT-6 · GPT-5.6 Terra.
Testy A/B promptów
Testowanie A/B promptów pozwala obiektywnie porównać dwie wersje promptu przy użyciu rzeczywistego ruchu. Zamiast wybierać prompt w oparciu o intuicję, mierzysz, który z nich przynosi lepsze rezultaty zgodnie z Twoimi metrykami biznesowymi. Jest to krok obowiązkowy między prototypowaniem a wdrożeniem produkcyjnym.
Zasada działania
Ruch przychodzący jest losowo dzielony między dwie (lub więcej) warianty promptu. Każda odpowiedź jest oceniana według z góry zdefiniowanych kryteriów, a wariant zwycięski jest wdrażany na 100% ruchu.
Siłą tej metody jest to, że oba warianty сталкиają się z tym samym ruchem, w tych samych warunkach i w tym samym czasie. Wszystkie zewnętrzne źródła zmienności – sezonowość, incydenty sieciowe, napływ nowej kategorii zgłoszeń – wpływają na obie grupy w równym stopniu i znoszą się wzajemnie podczas porównania. Test sekwencyjny nie może tego zagwarantować: uruchomienie starego promptu przez tydzień, a nowego przez kolejny, nie pozwala stwierdzić, czy poprawa wynikała z przepisania promptu, czy z kalendarza.
Framework do testów A/B
Klasa PromptExperiment ma trzy odpowiedzialności. assign_variant decyduje, który wariant obsłuży dane żądanie, run wykonuje wywołanie i loguje wynik, a get_stats agreguje dane.
Przypisanie wariantu zasługuje na uwagę. Gdy podano user_id, przypisanie jest deterministyczne, obliczane na podstawie hasha pary eksperyment-użytkownik. Ten sam użytkownik pozostaje w tej samej grupie od jednego wywołania do drugiego. Ta ciągłość nie jest teoretycznym udoskonaleniem: klient, który otrzyma ciepłą odpowiedź, a trzy minuty później suchą odpowiedź na swoje follow-up, pomyśli, że to błąd, a jego niezadowolenie zanieczyści oba warianty.
Każde wykonanie rejestruje dane wejściowe, wyjściowe, zużyte tokeny i znacznik czasu. Tokeny nie są tam dla ozdoby: wariant może wygrać pod względem jakości, jednocześnie podwajając długość odpowiedzi, a _estimate_cost przekłada tę różnicę na dolary, abyś mógł podjąć świadomą decyzję kompromisową.
import random
import json
from datetime import datetime
from openai import OpenAI
client = OpenAI()
class PromptExperiment:
"""Framework do testów A/B promptów."""
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:
"""Przypisuje wariant (przylepny do user_id, jeśli podano)."""
if user_id:
# Deterministyczne przypisanie według użytkownika
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:
"""Wykonuje prompt z przypisanym wariantem."""
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:
"""Oblicza statystyki dla każdego wariantu."""
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:
"""Szacuje koszt w USD."""
return (tokens_in * 2.5 + tokens_out * 10) / 1_000_000
Metryki ewaluacji
Metryki zależą od Twojego przypadku użycia, a dwie rodziny pokrywają większość scenariuszy. Gdy zadanie ma poprawną odpowiedź – klasyfikacja zgłoszenia, ekstrakcja pola – ewaluacja sprowadza się do porównania z etykietą referencyjną. Tę rolę pełni evaluer_classification. Zwróć uwagę na istotny wybór: błędy parsowania są traktowane jako puste predykcje, a nie jako wyjątki, ponieważ wariant produkujący nieprawidłowy JSON powinien zostać ukarany w wyniku, a nie powodować awarii pomiaru.
Gdy zadanie generuje wolny tekst, nie ma jednej poprawnej odpowiedzi, więc prosisz model o rozstrzygnięcie. evaluer_qualite_texte rozbija ocenę na cztery kryteria – trafność, jasność, kompletność, profesjonalny ton – zamiast prosić o bezpośrednią ocenę ogólną. Ten podział sprawia, że ewaluacja jest stabilniejsza i informuje Cię, na której osi zwycięski wariant wyróżnia się: wiedza, że zysk wynika z tonu, a nie z kompletności, to dokładnie informacja potrzebna do napisania następnej wersji.
def evaluer_classification(result: dict,
label_attendu: str) -> dict:
"""Ocenia odpowiedź klasyfikacyjną."""
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:
"""Ocenia jakość odpowiedzi tekstowej przy użyciu LLM."""
eval_response = client.responses.create(
model="gpt-5.6-terra",
reasoning={"effort": "none"}, # temperature wymaga effort none
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)
Pełny przykład: testowanie dwóch stylów promptów
Poniższy eksperyment kontrastuje dwa podejścia do obsługi klienta. Wariant kontrolny używa minimalnej, profesjonalnej i neutralnej instrukcji. Wariant „empatyczny“ narzuca trzyetapową strukturę: potwierdź problem, wyraź empatię, a następnie zaproponuj konkretne rozwiązanie z krokami. Wszystko inne jest identyczne, od modelu po temperaturę. Ta symetria jest warunkiem przypisania wszelkiej zmierzonej różnicy promptowi. Zmiana zarówno tonu, jak i temperatury jednocześnie dałaby wynik nieinterpretowalny.
Pięć testowych zgłoszeń celowo obejmuje różne rejestry: emocjonalnie nacechowany incydent z dostawą, błąd funkcjonalny, neutralne pytanie o hasło, sporne żądanie zwrotu pieniędzy oraz awaria API zgłoszona przez profil techniczny. Oczekujesz, że wariant empatyczny zdominuje pierwsze dwa i zostanie ukarany w ostatnim, gdzie rozmówca chce statusu i szacowanego czasu naprawy (ETA), a nie współczucia. To niuans, który uśrednia globalna średnia, a który ujawnia badanie zgłoszenie po zgłoszeniu – często prowadząc do właściwej decyzji: routingu w oparciu o typ żądania, zamiast wybierania jednego tonu.
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
}
}
)
# Symulacja ruchu
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))
Istotność statystyczna
Nie wyciągaj wniosków zbyt szybko. Przy małej ilości danych wyniki są obarczone szumem, a klasycznym błędem jest zobaczenie 7,4 kontra 6,9 na dwunastu obserwacjach i ogłoszenie zwycięzcy. Poniższy test t-Studenta odpowiada na jedyne ważne pytanie: czy zaobserwowana różnica jest większa niż ta, którą przypadek naturalnie wyprodukowałby między dwiema równoważnymi seriami?
Wartość p_value poniżej 0,05 oznacza, że taka różnica byłaby mało prawdopodobna, gdyby oba warianty były równe. Powyżej tej wartości nie udowodniłeś niczego – co nie jest tym samym co udowodnienie równości. Najczęściej po prostu brakuje Ci danych. Licz na minimum sto obserwacji na wariant przed wyciągnięciem wniosków i strzeż się pokusy sprawdzania wyników każdego ranka. Jeśli będziesz patrzeć wystarczająco często, zawsze znajdziesz moment, w którym różnica wydaje się znacząca.
from scipy import stats
def test_significativite(scores_a: list[float],
scores_b: list[float]) -> dict:
"""Test t-Studenta do porównania dwóch wariantów."""
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,
"recommandacja": (
"Istotna różnica, wdróż zwycięski wariant"
if p_value < 0.05
else "Za mało danych lub brak istotnej różnicy"
)
}
Uruchomienie pierwszego eksperymentu
Weź zadanie, które dobrze znasz, i skonfiguruj PromptExperiment z dwoma wariantami, zmieniając tylko jedną rzecz między kontrolą a wariantem: ton, narzuconą strukturę lub dodatkową instrukcję. Zdefiniuj dwie lub trzy metryki przed uruchomieniem czegokolwiek, ponieważ wybór metryki po zobaczeniu wyników jest jak wybieranie zwycięzcy z góry i jest to najczęstszy błąd w testach domowej roboty.
Uruchom eksperyment na dwudziestu danych wejściowych, a następnie przeanalizuj wyniki. Spójrz na średnią, ale przede wszystkim otwórz przypadki, w których oba warianty najbardziej się różnią: one wyjaśniają lukę. Dwadzieścia obserwacji oczywiście nie wystarczy, aby osiągnąć istotność statystyczną, a samodzielne uświadomienie sobie tego jest lepsze niż przeczytanie tego tutaj. Na koniec udokumentuj decyzję i zarchiwizuj surowe wyniki wraz z datą i dokładną konfiguracją wariantu – to archiwum powstrzyma Cię przed uruchamianiem tego samego eksperymentu ponownie za rok.
Kluczowe wnioski
- Testy A/B zastępują intuicję mierzalnymi danymi
- Przypisuj warianty deterministycznie według użytkownika
- Mierz metryki biznesowe, a nie tylko postrzeganą jakość
- Poczekaj na istotność statystyczną przed wyciągnięciem wniosków
- Dokumentuj każdy eksperyment i jego wyniki