Testovanie promptov A/B
Na tejto strane
Lekcia aktualizovaná 3. novembra 2026 na základe dokumentácie OpenAI: parametre
temperatureatop_psú akceptované len pri úsilí o logické uvažovanie (reasoning effort) nastavenom nanone, zatiaľ čo modely GPT-5.6 štandardne uvažujú (medium). Volania, ktoré nastavujú tieto parametre, preto musia špecifikovaťreasoning={"effort": "none"}(Responses API) aleboreasoning_effort="none"(Chat Completions). Zdroje: Using GPT-6 · GPT-5.6 Terra.
Testovanie promptov A/B
Testovanie promptov A/B ti umožňuje objektívne porovnať dve verzie promptu pomocou reálnej prevádzky. Namiesto toho, aby si vyberal prompt na základe intuície, meriaš, ktorý z nich prináša lepšie výsledky podľa tvojich obchodných metrík. Toto je povinný krok medzi prototypovaním a nasadením do produkcie.
Princíp
Prichádzajúca prevádzka sa náhodne rozdelí medzi dve (alebo viac) variantov promptu. Každá odpoveď sa vyhodnotí podľa vopred definovaných kritérií a víťazný variant sa nasadí na 100 % prevádzky.
Silou tejto metódy je, že oba varianty čelia rovnakej prevádzke, za rovnakých podmienok a v rovnakom čase. Všetky vonkajšie zdroje variácií – sezónnosť, výpadky siete, príchod novej kategórie požiadaviek – ovplyvňujú obe skupiny rovnako a pri porovnaní sa navzájom vyrušia. Sekvenčný test toto nedokáže zaručiť: ak spustíš starý prompt na týždeň a nový na nasledujúci, nebudeš vedieť povedať, či zlepšenie prišlo z tvojej úpravy, alebo z kalendára.
Rámec pre testovanie A/B
Trieda PromptExperiment má tri zodpovednosti. assign_variant rozhoduje, ktorý variant obslúži danú požiadavku, run vykoná volanie a zaznamená výsledok a get_stats agreguje dáta.
Pridelenie variantu si zaslúži poznámku. Ak je poskytnutý user_id, priradenie je deterministické, vypočítané z hashu páru experiment-užívateľ. Ten istý užívateľ zostáva v tej istej skupine od jedného volania k druhému. Táto kontinuita nie je len teoretická vylepšenie: zákazník, ktorý dostane ústretovú odpoveď a o tri minúty neskôr suchú odpoveď na svoju následnú otázku, si bude myslieť, že ide o chybu, a jeho nespokojnosť znečistí obe varianty.
Každé vykonanie zaznamenáva vstup, výstup, spotrebované tokeny a časovú pečiatku. Tieto tokeny nie sú len na okrasu: variant môže vyhrať v kvalite, ale zdvojnásobiť dĺžku odpovede, a _estimate_cost prepočíta tento rozdiel na doláre, aby si mohol urobiť informované rozhodnutie o kompromise.
import random
import json
from datetime import datetime
from openai import OpenAI
client = OpenAI()
class PromptExperiment:
"""Rámec pre A/B testovanie promptov."""
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:
"""Priradí variant (trvalo viazaný na user_id, ak je poskytnutý)."""
if user_id:
# Deterministické priradenie podľa užívateľa
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:
"""Vykoná prompt s priradeným variantom."""
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:
"""Vypočíta štatistiky pre každý variant."""
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:
"""Odhadne náklady v USD."""
return (tokens_in * 2.5 + tokens_out * 10) / 1_000_000
Metriky hodnotenia
Metriky závisia od tvojho prípadu použitia a dve rodiny pokrývajú väčšinu scenárov. Keď má úloha správnu odpoveď – klasifikácia tiketu, extrakcia poľa – hodnotenie sa obmedzuje na porovnanie s referenčným označením. To je úloha funkcie evaluer_classification. Všimni si inštruktívnu voľbu: zlyhania pri parsovaní sa považujú za prázdne predpovede namiesto vyvolania výnimky, pretože variant, ktorý produkuje neplatný JSON, by mal byť penalizovaný v skóre, nie spôsobiť pád merania.
Keď úloha produkuje voľný text, neexistuje jedna správna odpoveď, takže požiadaš model, aby rozhodol. Funkcia evaluer_qualite_texte rozkladá úsudok na štyri kritériá – relevantnosť, jasnosť, úplnosť, profesionálny tón – namiesto toho, aby žiadala priame celkové skóre. Tento rozklad robí hodnotenie stabilnejším a povie ti, v ktorej oblasti víťazný variant vyniká: vedieť, že zisk pochádza skôr z tónu než z úplnosti, je presne informácia, ktorú potrebuješ na napísanie ďalšej verzie.
def evaluer_classification(result: dict,
label_attendu: str) -> dict:
"""Vyhodnotí odpoveď klasifikácie."""
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:
"""Vyhodnotí kvalitu textovej odpovede pomocou LLM."""
eval_response = client.responses.create(
model="gpt-5.6-terra",
reasoning={"effort": "none"}, # temperature vyžaduje 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)
Kompletný príklad: Testovanie dvoch štýlov promptov
Nasledujúci experiment porovnáva dva prístupy k zákazníckej podpore. Kontrolný variant používa minimálnu, profesionálnu a neutrálnu inštrukciu. Variant „empatický“ ukladá trojkrokovú štruktúru: uznať problém, vyjadriť empatiu a potom navrhnúť konkrétne riešenie s krokmi. Všetko ostatné je identické, od modelu po teplotu. Táto symetria je podmienkou pre pripísanie akéhokoľvek nameraného rozdielu promptu. Zmena tónu aj teploty súčasne by viedla k neinterpretovateľnému výsledku.
Päť testovacích tiketov zámerne pokrýva rôzne registre: emocionálne vypätý incident s doručením, funkčná chyba, neutrálna otázka týkajúca sa hesla, sporná požiadavka na vrátenie peňazí a výpadok API nahlásený technickým profilom. Očakávaš, že empatický variant bude dominovať v prvých dvoch prípadoch a bude penalizovaný v poslednom, kde interlocutor chce stav a odhadovaný čas opravy, nie súcit. Toto je nuansa, ktorú globálny priemer maskuje a ktorú odhalí preskúmanie tiket po tikete – čo často vedie k skutočnému rozhodnutiu: smerovať požiadavky podľa typu žiadosti namiesto výberu jedného tónu.
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
}
}
)
# Simulácia prevádzky
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))
Štatistická významnosť
Nerob závery príliš rýchlo. Pri malom množstve dát sú výsledky zašumené a klasickou chybou je vidieť rozdiel 7,4 oproti 6,9 pri dvanástich pozorovaniach a vyhlásiť víťaza. Nižšie uvedený Studentov t-test odpovedá na jedinú dôležitú otázku: je pozorovaný rozdiel väčší než to, čo by prirodzene vzniklo náhodou medzi dvoma ekvivalentnými sériami?
Hodnota p_value pod 0,05 znamená, že takýto rozdiel by bol nepravdepodobný, ak by boli oba varianty rovnaké. Nad touto hranicou si nič nepreukázal – čo nie je to isté ako preukázanie rovnosti. Najčastejšie ti len chýbajú dáta. Počítaj s minimom sto pozorovaní na variant pred tým, než urobíš záver, a stráž sa pred nutkaním kontrolovať výsledky každé ráno. Ak sa pozrieš dostatočne často, vždy nájdeš moment, keď sa rozdiel bude zdať zmysluplný.
from scipy import stats
def test_significativite(scores_a: list[float],
scores_b: list[float]) -> dict:
"""Studentov t-test na porovnanie dvoch variantov."""
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,
"recommandation": (
"Significant difference, deploy the winning variant"
if p_value < 0.05
else "Not enough data or no significant difference"
)
}
Spustenie tvojho prvého experimentu
Vezmi úlohu, ktorú dobre poznáš, a nastav PromptExperiment s dvoma variantmi, pričom medzi kontrolou a variantom zmeníš len jednu vec: tón, vnútenú štruktúru alebo dodatočnú inštrukciu. Pred spustením čohokoľvek definuj dve alebo tri metriky, pretože výber metriky po zhliadnutí výsledkov je ako vopred vybrať víťaza a je to najčastejšia chyba pri domáco vytvorených testoch.
Spusť experiment na dvadsiatich vstupoch a potom analyzuj. Pozri sa na priemer, ale hlavne otvor prípady, kde sa dva varianty najviac líšia: tie vysvetľujú rozdiel. Dvadsať pozorovaní zjavne nebude stačiť na dosiahnutie štatistickej významnosti a uvedomenie si tohto faktu samotným je lepšie než čítanie o tom tu. Nakoniec zdokumentuj rozhodnutie a archivuj surové výsledky s dátumom a presnou konfiguráciou variantu – táto archívna evidencia je to, čo ti zabráni o rok spustiť ten istý experiment znova.
Kľúčové poznatky
- Testovanie A/B nahrádza intuíciu merateľnými dátami
- Priraď varianty deterministicky podľa užívateľa
- Meraj obchodné metriky, nielen vnímanú kvalitu
- Pred vyvodením záverov počkaj na štatistickú významnosť
- Dokumentuj každý experiment a jeho výsledky