EVAL RUN · 評估報告 回到執行

#119 兩項目評估報告

auto-59692a6a-r1-053958736 production-baseline 產製於 05月16日 13:29

I. VITAL SIGNS

各項目健康度概覽

項目一: 知識庫精準度 (10 cases)

各維度品質分 · 覆蓋率
找對資料 召回
retrieval
90.0%
[70.0% – 100.0%] · n=10
F1 30.0% · 相關率 30.0% · 精確 28.0%
10 / 10 適用 · 1 提示
不亂編造 平均
faithfulness
95.0%
[85.0% – 100.0%] · n=10
10 / 10 適用
答得到位 平均
answer_quality
99.0%
[97.7% – 100.0%] · n=10
10 / 10 適用

項目二: 情境調用與完成 (10 cases)

各維度品質分 · 覆蓋率
走對流程 召回
scenario
50.0%
[20.0% – 80.0%] · n=10
F1 50.0% · 召回 50.0% · 精確 50.0%
10 / 10 適用
用對工具 召回
tool_usage
66.7%
[33.3% – 100.0%] · n=6
F1 66.7% · 召回 66.7% · 精確 66.7%
6 / 10 適用
答得到位 平均
answer_quality
70.0%
[53.3% – 84.8%] · n=9
10 / 10 適用
II. RUN ECONOMICS

本次 Run 的 LLM 成本概覽

Judge 總成本（USD） $0.0281 67 次 judge 呼叫
Judge 總 Token 數 212,816 輸入 201,195 · 輸出 11,621
LLM 成本來源追蹤狀態
來源 追蹤狀態 數值 備註
Eris Case Generator 已追蹤 $0.0718
488,043 tokens · 196 calls 		案例生成階段 LLM 呼叫（sampler / info_held / validator / kb_matcher / response_rules judge）— Round 8 起 CostTracker 自動寫入 EvalCaseGeneration 對應欄位
Eris LLM Judge 已追蹤 $0.0281
212,816 tokens 		EvalJudgement 表記錄真實 OpenAI usage（faithfulness / answer_quality / retrieval_relevance 三類 judge）
Neptune Bot Inference 受阻 — Neptune unified_llm.tool_calling_stream streaming 模式下 final chunk 未帶 usage（OpenAI stream_options.include_usage 未啟用），導致 metadata.usage 全 0。Eris 端無法從 chat response 重建。Fix 在 Neptune team 的 tracking ticket 內。
UserSimulator 尚未實作 — UserSimulator multi-turn LLM 呼叫目前 Eris 沒寫追蹤；這部分要新增 service + 在 simulator client 裡寫入 token 紀錄
Judge 次數 Input Output Cost
忠實度（faithfulness） 26 75,864 5,388 $0.0126
回答品質（answer_quality） 29 108,728 5,799 $0.0129
檢索相關性（retrieval_relevance） 12 16,603 434 $0.0026
III. ACTIONABLE FINDINGS

優先處理項目

依「最低分 sub-metric」排序的 worst-3 case，標示出此 run 中最該優先檢視的 scenario × 維度組合。每筆同時列出實際觸發低分的 sub-metric 名稱，方便定位是 KB 漏洞、工具排序問題、還是規則違反。

  1. 01
    early_return 工具使用
    0.0% n=1 最低 sub_metric： tools_precision
  2. 02
    early_return 情境
    0.0% n=9 最低 sub_metric： scenario_precision
  3. 03
    優惠活動腳本 工具使用
    0.0% n=1 最低 sub_metric： tools_precision
IV. DEEP DIVE

全段詳細數據

兩項目評估報告

  • EvalRun: #119（suite #66 auto-59692a6a-r1-053958736）
  • Target: #1 production-baseline
  • Cases: 30（N=1, attempts=29/30）
  • Generated: 2026-05-16T13:29:37+08:00

本報告含兩個獨立評估項目。項目一 評估 bot 進入「知識與產品查詢」fallback 後的撈取 + 回答能力；項目二 評估 bot 跨全 enabled scenarios 的 routing → tool → answer 三段 funnel 健康度。

項目一: 知識庫精準度

評估範圍 (prerequisite: 進對 scenario)

  • 進對 scenario 的 attempts: 10 / 29 (34.5%)
  • 只對這些 attempts 算 retrieval + answer
  • 沒進對 scenario 的 attempts → 排除（routing 失敗不該污染 KB 訊號）

Per-scenario 評估

Scenario qualifying / total attempts retrieval_relevance answer_correctness
知識與產品查詢 10 / 10 ❌ 37.8% ✅ 95.0%

待修方向（worst-3）

  1. 知識與產品查詢 × retrieval_relevance = 37.8% — 撈到的 KB chunks 不夠相關 — KB content gap，跟 Neptune team 提 enrichment
  2. 知識與產品查詢 × answer_correctness = 95.0% — 回答內容有問題 — 細看 hallucination_rate vs answer_quality 哪邊低

項目二: 情境調用與完成

整體 funnel（全 scenarios 加總）

Stage Pass count % of total
Total attempts 19 100.0%
Step 1: scenario_routing 5 26.3%
Step 2: + tool_calling 5 26.3%
Step 3: + answer 3 15.8%

Per-scenario funnel

Scenario (n_attempts) Step 1 (routing) Step 2 (tool) Step 3 (answer) end-to-end
Bra Size Chart (1) ✅ 1/1 (100.0%) ✅ 1/1 (100.0%) ❌ 0/1 (0.0%) ❌ 0/1 (0.0%)
Custom_Pants_Size_Chart (1) ✅ 1/1 (100.0%) ✅ 1/1 (100.0%) ✅ 1/1 (100.0%) ✅ 1/1 (100.0%)
Men's Underwear Size Chart (1) ✅ 1/1 (100.0%) ✅ 1/1 (100.0%) ✅ 1/1 (100.0%) ✅ 1/1 (100.0%)
Wool_Coat_Size_Chart (1) ✅ 1/1 (100.0%) ✅ 1/1 (100.0%) ❌ 0/1 (0.0%) ❌ 0/1 (0.0%)
early_return (9) ❌ 0/9 (0.0%) ❌ 0/9 (0.0%) ❌ 0/9 (0.0%) ❌ 0/9 (0.0%)
優惠活動腳本 (1) ❌ 0/1 (0.0%) ❌ 0/1 (0.0%) ❌ 0/1 (0.0%) ❌ 0/1 (0.0%)
換貨情境 (0) — — — —
用戶反映尺寸不合 (1) ❌ 0/1 (0.0%) ❌ 0/1 (0.0%) ❌ 0/1 (0.0%) ❌ 0/1 (0.0%)
知識與產品查詢 (1) ❌ 0/1 (0.0%) ❌ 0/1 (0.0%) ❌ 0/1 (0.0%) ❌ 0/1 (0.0%)
退換貨流程、政策詢問情境 (1) ✅ 1/1 (100.0%) ✅ 1/1 (100.0%) ✅ 1/1 (100.0%) ✅ 1/1 (100.0%)
退貨情境 (2) ❌ 0/2 (0.0%) ❌ 0/2 (0.0%) ❌ 0/2 (0.0%) ❌ 0/2 (0.0%)

Drop-off 最大的 5 個 scenario

  1. Bra Size Chart drop at step3 (-100.0pp)
  2. Wool_Coat_Size_Chart drop at step3 (-100.0pp)
  3. early_return drop at step1 (-100.0pp)
  4. 優惠活動腳本 drop at step1 (-100.0pp)
  5. 用戶反映尺寸不合 drop at step1 (-100.0pp)

Audit

Reproduce combined report: bin/rails runner "puts Eval::EvaluationReport.call(run: EvalRun.find(119))" Or fetch each item separately:

  • bin/rails runner "puts Eval::KbAccuracyReport.call(run: EvalRun.find(119))"
  • bin/rails runner "puts Eval::ScenarioFunnelReport.call(run: EvalRun.find(119))"

Per-Scenario × Per-Dim — Run #119

Suite: Fashion for yes AI 小幫手 (bulk R1) · scenarios: 11 · dims: 5 · populated cells: 47/55

Scenario Scenario Tool Retrieval Faith AnsQ
Bra Size Chart 100.0% (n=1) 100.0% (n=1) 0.0% (n=1) 0.0% (n=1) 46.7% (n=1)
Custom_Pants_Size_Chart 100.0% (n=1) 100.0% (n=1) 0.0% (n=1) 0.0% (n=1) 83.3% (n=1)
Men's Underwear Size Chart 100.0% (n=1) 100.0% (n=1) 0.0% (n=1) 0.0% (n=1) 100.0% (n=1)
Wool_Coat_Size_Chart 100.0% (n=1) 100.0% (n=1) — 0.0% (n=1) 76.7% (n=1)
early_return 0.0% [0.0–0.0] (n=9) 0.0% (n=1) 37.5% [0.0–75.0] (n=8) 100.0% [100.0–100.0] (n=6) 68.1% [50.0–85.6] (n=9)
優惠活動腳本 0.0% (n=1) 0.0% (n=1) 0.0% (n=1) 100.0% (n=1) 90.0% (n=1)
換貨情境 0.0% (n=1) — 0.0% (n=1) — —
用戶反映尺寸不合 100.0% (n=1) — — 0.0% (n=1) 73.3% (n=1)
知識與產品查詢 90.9% [72.7–100.0] (n=11) 90.9% [72.7–100.0] (n=11) 90.0% [70.0–100.0] (n=10) 86.4% [68.2–100.0] (n=11) 92.4% [78.8–100.0] (n=11)
退換貨流程、政策詢問情境 100.0% (n=1) — 0.0% (n=1) 0.0% (n=1) 90.0% (n=1)
退貨情境 0.0% [0.0–0.0] (n=2) — 0.0% [0.0–0.0] (n=2) 0.0% [0.0–0.0] (n=2) 58.3% [43.3–73.3] (n=2)

Worst-3 cells (lowest primary score)

  1. early_return × Tool · 0.0% (n=1) · lowest sub_metric: tools_precision
  2. early_return × Scenario · 0.0% (n=9) · lowest sub_metric: scenario_precision
  3. 優惠活動腳本 × Tool · 0.0% (n=1) · lowest sub_metric: tools_precision