EVAL RUN · 評估報告 回到執行

#121 兩項目評估報告

auto-d54d45c8-r1-053958752 production-baseline 產製於 05月16日 13:27

I. VITAL SIGNS

各項目健康度概覽

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
80.0%
[50.0% – 100.0%] · n=10
F1 70.0% · 召回 80.0% · 精確 65.0%
10 / 10 適用
用對工具 召回
tool_usage
20.0%
[0.0% – 50.0%] · n=10
F1 20.0% · 召回 20.0% · 精確 50.0%
10 / 10 適用
答得到位 平均
answer_quality
53.7%
[42.0% – 68.3%] · n=10
10 / 10 適用
II. RUN ECONOMICS

本次 Run 的 LLM 成本概覽

Judge 總成本（USD） $0.0177 34 次 judge 呼叫
Judge 總 Token 數 138,865 輸入 133,004 · 輸出 5,861
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 $0.0592
438,278 tokens · 165 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 $0.0177
138,865 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） 14 41,889 1,826 $0.0063
回答品質（answer_quality） 20 91,115 4,035 $0.0114
檢索相關性（retrieval_relevance） 0 0 0 $0.0000
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 情境
    0.0% n=6 最低 sub_metric： scenario_precision
  2. 02
    取消訂單 工具使用
    0.0% n=2 最低 sub_metric： tools_recall
  3. 03
    取消訂單 忠實度
    0.0% n=2 最低 sub_metric： rule_compliance
IV. DEEP DIVE

全段詳細數據

兩項目評估報告

  • EvalRun: #121（suite #68 auto-d54d45c8-r1-053958752）
  • Target: #1 production-baseline
  • Cases: 20（N=1, attempts=20/20）
  • Generated: 2026-05-16T13:27:08+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: 6 / 20 (30.0%)
  • 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
early_return 0 / 6 — —
取消訂單 1 / 2 ❌ 0.0% —
更改訂單日期 2 / 3 ❌ 0.0% —
查詢訂單 0 / 5 — —
知識與產品查詢 3 / 3 ❌ 0.0% —
轉接真人客服 0 / 1 — —

待修方向（worst-3）

  1. 更改訂單日期 × retrieval_relevance = 0.0% — bot 進對 scenario 但沒呼叫 search tool — 流程 / prompt 問題（不是 KB content gap）
  2. 知識與產品查詢 × retrieval_relevance = 0.0% — bot 進對 scenario 但沒呼叫 search tool — 流程 / prompt 問題（不是 KB content gap）
  3. 取消訂單 × retrieval_relevance = 0.0% — bot 進對 scenario 但沒呼叫 search tool — 流程 / prompt 問題（不是 KB content gap）

項目二: 情境調用與完成

整體 funnel（全 scenarios 加總）

Stage Pass count % of total
Total attempts 20 100.0%
Step 1: scenario_routing 6 30.0%
Step 2: + tool_calling 6 30.0%
Step 3: + answer 4 20.0%

Per-scenario funnel

Scenario (n_attempts) Step 1 (routing) Step 2 (tool) Step 3 (answer) end-to-end
early_return (6) ❌ 0/6 (0.0%) ❌ 0/6 (0.0%) ❌ 0/6 (0.0%) ❌ 0/6 (0.0%)
取消訂單 (2) ⚪ 1/2 (50.0%) ⚪ 1/2 (50.0%) ⚪ 1/2 (50.0%) ⚪ 1/2 (50.0%)
更改訂單日期 (3) ⚪ 2/3 (66.7%) ⚪ 2/3 (66.7%) ❌ 1/3 (33.3%) ❌ 1/3 (33.3%)
查詢訂單 (5) ❌ 0/5 (0.0%) ❌ 0/5 (0.0%) ❌ 0/5 (0.0%) ❌ 0/5 (0.0%)
知識與產品查詢 (3) ✅ 3/3 (100.0%) ✅ 3/3 (100.0%) ⚪ 2/3 (66.7%) ⚪ 2/3 (66.7%)
轉接真人客服 (1) ❌ 0/1 (0.0%) ❌ 0/1 (0.0%) ❌ 0/1 (0.0%) ❌ 0/1 (0.0%)

Drop-off 最大的 5 個 scenario

  1. early_return drop at step1 (-100.0pp)
  2. 查詢訂單 drop at step1 (-100.0pp)
  3. 轉接真人客服 drop at step1 (-100.0pp)
  4. 取消訂單 drop at step1 (-50.0pp)
  5. 更改訂單日期 drop at step1 (-33.3pp)

Audit

Reproduce combined report: bin/rails runner "puts Eval::EvaluationReport.call(run: EvalRun.find(121))" Or fetch each item separately:

  • bin/rails runner "puts Eval::KbAccuracyReport.call(run: EvalRun.find(121))"
  • bin/rails runner "puts Eval::ScenarioFunnelReport.call(run: EvalRun.find(121))"

Per-Scenario × Per-Dim — Run #121

Suite: FunNow-test (bulk R1) · scenarios: 6 · dims: 5 · populated cells: 22/30

Scenario Scenario Tool Retrieval Faith AnsQ
early_return 0.0% [0.0–0.0] (n=6) 16.7% [0.0–50.0] (n=6) — — 57.8% [32.2–85.0] (n=6)
取消訂單 50.0% [0.0–100.0] (n=2) 0.0% [0.0–0.0] (n=2) — 0.0% [0.0–0.0] (n=2) 80.0% [63.3–96.7] (n=2)
更改訂單日期 100.0% [100.0–100.0] (n=3) 0.0% [0.0–0.0] (n=3) — 33.3% [0.0–100.0] (n=3) 66.7% [50.0–83.3] (n=3)
查詢訂單 60.0% [20.0–100.0] (n=5) 0.0% [0.0–0.0] (n=5) — 0.0% [0.0–0.0] (n=5) 38.7% [34.0–44.0] (n=5)
知識與產品查詢 100.0% [100.0–100.0] (n=3) 100.0% [100.0–100.0] (n=3) — 0.0% [0.0–0.0] (n=3) 44.4% [26.7–53.3] (n=3)
轉接真人客服 100.0% (n=1) — — 100.0% (n=1) 100.0% (n=1)

Worst-3 cells (lowest primary score)

  1. early_return × Scenario · 0.0% (n=6) · lowest sub_metric: scenario_precision
  2. 取消訂單 × Tool · 0.0% (n=2) · lowest sub_metric: tools_recall
  3. 取消訂單 × Faith · 0.0% (n=2) · lowest sub_metric: rule_compliance