Prejsť na hlavný obsah
Slovenčina— Vyberte jazyk
Menu

Hodnotenie stôp: bodovanie vykonaní

Lekcia 23 z 25 Aktualizované 29. júla 2026 Vývojár
Na tejto strane
  1. Hodnotenie stôp: bodovanie vykonaní
  2. Koncept hodnotenia stôp
  3. Automatické hodnotenie pomocou pravidiel
  4. Hodnotenie založené na LLM
  5. Hodnotiaci pipeline v produkcii
  6. Dashboard kvality
  7. Kľúčové poznatky

Hodnotenie stôp: bodovanie vykonaní

Trasovanie zaznamenáva, čo tvoj agent robí. To je nevyhnutné, ale nestačí to: nikto neprečíta desaťtisíc stôp denne a problémy sa presne skrývajú v tých, ktoré nikdy neotvoríš. Hodnotenie stôp ide ďalej: automaticky boduje každé vykonanie, aby odhalilo problémy, meralo kvalitu v čase a napájalo cyklus neustáleho zlepšovania.

Koncept hodnotenia stôp

Každá stopa, ktorú tvoj agent vyprodukuje, obsahuje celé vykonanie: správu používateľa, volania nástrojov, priebežné odpovede aj finálnu odpoveď. Hodnotenie stôp analyzuje tieto stopy a prideľuje im skóre na základe tvojich kritérií. Posúvaš sa od logu, ktorý konzultuješ dodatočne, k metrike, ktorú monitoruješ nepretržite, a otázka „Ako si agent práve teraz vedie?“ prestáva byť hádaním.

Automatické hodnotenie pomocou pravidiel

Najjednoduchšia úroveň využíva programové pravidlá na bodovanie každej stopy. Každé pravidlo vychádza z perfektného skóre 1,0 a odpočítava body na základe toho, čo pozoruje. Vykonanie, ktoré trvá dlhšie ako desať sekúnd, stratí 0,2 bodu – nie preto, že by bol výsledok zlý, ale pretože používateľ pravdepodobne odišiel. Viac ako pätnásť kôlt stojí 0,3 bodu: to je signatúra agenta, ktorý sa točí v kruhu medzi dvoma nástrojmi. Každá chyba nástroja odpočíta 0,1 bodu. Spustené ochranné mechanizmy (guardrails) sú označené bez penalizácie – urobili svoju prácu – ale odpoveď kratšia ako desať znakov sama o sebe stojí pol bodu, lebo tichý agent je nepoužiteľný agent.

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,
    )

Slovník details vždy sprevádza skóre: bez neho by si vedel, že vykonanie dosiahlo 0,5, ale nie prečo. Tieto prahové hodnoty sú tvoje, nie univerzálne konštanty – výskumný agent znáša pätnásť kôlt, zatiaľ čo asistent pri pokladni musí odpovedať do troch.

Hodnotenie založené na LLM

Pravidlá nevidia obsah. Rýchla, krátka a zdvorilá odpoveď, ktorá úplne míňa pointu, dosiahne skóre 1,0. Pre jemnejšie hodnotenie použi model na bodovanie stôp podľa podstaty: relevancia, presnosť a tón, každá od 1 do 5, spolu s identifikovanými problémami a návrhmi na zlepšenie. Aj tu štruktúrovaný výstup cez Pydantic zabezpečí, že skóre budú agregovateľné namiesto tvorby voľného textového komentára.

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 tiež odovzdáva použité nástroje a trvanie: hodnotiteľ tak môže agentovi vytknúť, že odpovedal bez konzultácie katalógu, čo by samotné čítanie odpovede neumožnilo.

Hodnotiaci pipeline v produkcii

Teraz skombinuj oba prístupy bez toho, aby si prepálil rozpočet. Bodovanie každej stopy pomocou LLM pri produkčnom objeme znásobí tvoju faktúru za inferenciu; použitie iba pravidiel ťa zase oslepí voči podstate. Nižšie uvedený pipeline aplikuje filter: všetky stopy prejdú programovým hodnotením, ktoré je rýchle a zadarmo, a iba tie, ktoré klesnú pod 0,7, putujú k rozhodcovi (LLM). Skóre rozhodcu, súčet troch hodnotení 1–5, sa škáluje na 0–1 delením číslom 15, aby zostalo porovnateľné s prvým. Pod 0,5 sa stopa zaradí do zoznamu kritických alertov.

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())

Správa uchováva minimálne skóre a vzorku desiatich najhorších stôp: tam začína vyšetrovanie, nikdy nie pri priemere.

Dashboard kvality

Jedno skóre nič neznamená; informuje jeho trajektória. Zápisom denného reportu do súboru JSONL buduješ časový rad, ktorý si prečíta akýkoľvek vizualizačný nástroj, a môžeš automaticky porovnať najnovší bod s tým predchádzajúcim. Pokles o viac ako 0,1 spustí alert o regresii – a jeho korelácia s nasadeniami z daného dňa zvyčajne ukáže na vinníka do niekoľkých minút.

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

Porovnávanie dvoch po sebe idúcich dní zostáva citlivé na šum: pri nízkom objeme uprednostni pred vyhlásením regresie kĺzavý priemer, inak budeš naháňať štatistickú chybu.

Kľúčové poznatky

  • Hodnotenie stôp automaticky boduje každé vykonanie tvojho agenta
  • Programové pravidlá (latencia, chyby, dĺžka) sú rýchle a spoľahlivé
  • Hodnotenie pomocou LLM posudzuje relevanciu, presnosť a tón
  • Skombinuj oba prístupy: rýchle pravidlá na filtrovanie, LLM pre hraničné prípady
  • Sleduj skóre v čase, aby si odhalil regresie
  • Kritické alerty (skóre < 0,5) musia spustiť vyšetrovanie