Avaliação de traços: pontuação de execuções
Nesta página
Avaliação de traços: pontuação de execuções
O registo de traços documenta o que o seu agente faz. Isso é essencial, mas não é suficiente: ninguém lê dez mil traços por dia, e os problemas escondem-se precisamente naqueles que nunca abre. A avaliação de traços vai mais longe: pontua automaticamente cada execução para detetar problemas, medir a qualidade ao longo do tempo e alimentar um ciclo de melhoria contínua.
O conceito de avaliação de traços
Cada traço produzido pelo seu agente contém a execução completa: a mensagem do utilizador, as chamadas de ferramentas, as respostas intermédias e a resposta final. A avaliação de traços analisa estes registos e atribui pontuações com base nos seus critérios. Passa de um registo que consulta a posteriori para uma métrica que monitoriza continuamente, e a pergunta “Como está o agente a desempenhar agora?” deixa de ser um palpite.
Avaliação automática com regras
O nível mais simples utiliza regras programáticas para pontuar cada traço. Cada regra parte de uma pontuação perfeita de 1,0 e deduz pontos com base no que observa. Uma execução que demore mais de dez segundos perde 0,2 pontos, não porque o resultado esteja errado, mas porque o utilizador provavelmente desistiu. Mais de quinze turnos custa 0,3 pontos: essa é a assinatura de um agente a girar em círculos entre duas ferramentas. Cada erro de ferramenta deduz 0,1 pontos. As barreiras de segurança acionadas são sinalizadas sem penalização — fizeram o seu trabalho —, mas uma resposta com menos de dez caracteres custa sozinha meio ponto, porque um agente silencioso é um agente inútil.
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,
)
O dicionário details acompanha sempre a pontuação: sem ele, saberia que uma execução obteve 0,5, mas não saberia porquê. Estes limiares são seus, não constantes universais — um agente de investigação tolera quinze turnos, enquanto um assistente de checkout deve responder em três.
Avaliação baseada em LLM
As regras não veem o conteúdo. Uma resposta rápida, curta e educada que falha completamente o alvo obterá 1,0. Para uma avaliação mais fina, utilize um modelo para pontuar os traços quanto ao substância: relevância, precisão e tom, cada um de 1 a 5, juntamente com problemas identificados e sugestões de melhoria. Mais uma vez, a saída estruturada via Pydantic torna as pontuações agregáveis, em vez de produzir comentários em formato livre.
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
O prompt também passa as ferramentas chamadas e a duração: o avaliador pode assim culpar o agente por responder sem consultar o catálogo, algo que a leitura isolada da resposta não permitiria.
Pipeline de avaliação em produção
Combine agora ambas as abordagens sem explodir o seu orçamento. Pontuar cada traço com um LLM ao volume de produção multiplica a sua fatura de inferência; usar apenas regras deixa-o cego quanto à substância. O pipeline abaixo aplica um filtro: todos os traços passam pela avaliação programática, que é rápida e gratuita, e apenas os que ficam abaixo de 0,7 vão para o avaliador. A pontuação do avaliador, a soma de três classificações de 1–5, é escalada para 0–1 dividindo por 15 para se manter comparável à primeira. Abaixo de 0,5, o traço entra na lista de alertas críticos.
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())
O relatório mantém a pontuação mínima e uma amostra dos dez piores traços: é aí que começa uma investigação, nunca com a média.
Painel de qualidade
Uma única pontuação não significa nada; é a sua trajetória que informa. Ao escrever o relatório diário num ficheiro JSONL, constrói uma série temporal que qualquer ferramenta de visualização pode ler, e pode comparar automaticamente o ponto mais recente com o anterior. Uma queda superior a 0,1 desencadeia um alerta de regressão — e correlacioná-la com as suas implementações do dia geralmente aponta o culpado em minutos.
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
Comparar dois dias consecutivos permanece sensível ao ruído: em baixo volume, prefira uma média móvel antes de gritar “regressão”, ou estará a perseguir um desvio estatístico.
Pontos-chave
- A avaliação de traços pontua automaticamente cada execução do seu agente
- Regras programáticas (latência, erros, comprimento) são rápidas e fiáveis
- A avaliação por LLM avalia a relevância, a precisão e o tom
- Combine ambas: regras rápidas para filtragem, LLM para casos limítrofes
- Acompanhe as pontuações ao longo do tempo para detetar regressões
- Alertas críticos (pontuação < 0,5) devem desencadear uma investigação