Hodnotenie stôp: bodovanie vykonaní
Na tejto strane
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