EVAL RUN · 評估報告 回到執行

#134 兩項目評估報告

auto-19eaa920-r1-053958803 production-canary 產製於 05月16日 13:16

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
100.0%
[100.0% – 100.0%] · n=10
F1 33.3% · 相關率 30.0% · 精確 20.0%
10 / 10 適用
不亂編造 平均
faithfulness
100.0%
[100.0% – 100.0%] · n=10
10 / 10 適用
答得到位 平均
answer_quality
98.0%
[96.3% – 99.7%] · 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
80.0%
[50.0% – 100.0%] · n=10
F1 80.0% · 召回 80.0% · 精確 80.0%
10 / 10 適用
用對工具 召回
tool_usage
28.6%
[0.0% – 57.1%] · n=7
F1 28.6% · 召回 28.6% · 精確 100.0%
7 / 10 適用
答得到位 平均
answer_quality
83.0%
[71.7% – 92.3%] · n=10
10 / 10 適用
II. RUN ECONOMICS

本次 Run 的 LLM 成本概覽

Judge 總成本（USD） $0.0289 79 次 judge 呼叫
Judge 總 Token 數 219,218 輸入 207,331 · 輸出 11,887
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 $0.0677
455,957 tokens · 204 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 $0.0289
219,218 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） 29 73,592 5,481 $0.0121
回答品質（answer_quality） 30 115,978 5,852 $0.0138
檢索相關性（retrieval_relevance） 20 17,761 554 $0.0030
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
    LINE 線上估價 / 估價諮詢 / 線上估價｜pico調整 工具使用
    0.0% n=1 最低 sub_metric： tools_recall
  2. 02
    LINE 線上估價 / 估價諮詢 / 線上估價｜pico調整 檢索
    0.0% n=1 最低 sub_metric： knowledges_source_recall
  3. 03
    LINE 線上估價 / 估價諮詢 / 線上估價｜pico調整 忠實度
    0.0% n=1 最低 sub_metric： rule_compliance
IV. DEEP DIVE

全段詳細數據

兩項目評估報告

  • EvalRun: #134（suite #74 auto-19eaa920-r1-053958803）
  • Target: #2 production-canary
  • Cases: 30（N=1, attempts=30/30）
  • Generated: 2026-05-16T13:16:29+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 / 30 (33.3%)
  • 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 ⚪ 52.6% ✅ 100.0%

待修方向（worst-3）

  1. 知識與產品查詢 × retrieval_relevance = 52.6% — retrieval 略低 — 看 LLM relevance vs topic_match 哪邊弱
  2. 知識與產品查詢 × answer_correctness = 100.0% — 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 20 100.0%
Step 1: scenario_routing 8 40.0%
Step 2: + tool_calling 8 40.0%
Step 3: + answer 6 30.0%

Per-scenario funnel

Scenario (n_attempts) Step 1 (routing) Step 2 (tool) Step 3 (answer) end-to-end
LINE 線上估價 / 估價諮詢 / 線上估價｜pico調整 (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%)
取消政策 (2) ⚪ 1/2 (50.0%) ⚪ 1/2 (50.0%) ❌ 0/2 (0.0%) ❌ 0/2 (0.0%)
官網/App使用、付款失敗問題 (1) ✅ 1/1 (100.0%) ✅ 1/1 (100.0%) ✅ 1/1 (100.0%) ✅ 1/1 (100.0%)
居家傢俱清潔送洗（地毯 / 窗簾 / 寢具 / 沙發） pico改 (2) ⚪ 1/2 (50.0%) ⚪ 1/2 (50.0%) ⚪ 1/2 (50.0%)
情緒升溫處理 (抱怨/投訴/催促回覆) (2) ✅ 2/2 (100.0%) ✅ 2/2 (100.0%) ✅ 2/2 (100.0%) ✅ 2/2 (100.0%)
知識與產品查詢 (2) ⚪ 1/2 (50.0%) ⚪ 1/2 (50.0%) ⚪ 1/2 (50.0%) ⚪ 1/2 (50.0%)
通用銷售（服務諮詢入口）｜pico更新 (1) ✅ 1/1 (100.0%) ✅ 1/1 (100.0%) ✅ 1/1 (100.0%) ✅ 1/1 (100.0%)

Drop-off 最大的 5 個 scenario

  1. LINE 線上估價 / 估價諮詢 / 線上估價｜pico調整 drop at step3 (-100.0pp)
  2. early_return drop at step1 (-100.0pp)
  3. 取消政策 drop at step1 (-50.0pp)
  4. 居家傢俱清潔送洗（地毯 / 窗簾 / 寢具 / 沙發）|pico改 drop at step1 (-50.0pp)
  5. 知識與產品查詢 drop at step1 (-50.0pp)

Audit

Reproduce combined report: bin/rails runner "puts Eval::EvaluationReport.call(run: EvalRun.find(134))" Or fetch each item separately:

  • bin/rails runner "puts Eval::KbAccuracyReport.call(run: EvalRun.find(134))"
  • bin/rails runner "puts Eval::ScenarioFunnelReport.call(run: EvalRun.find(134))"

Per-Scenario × Per-Dim — Run #134

Suite: HoHo 好服務 TEST (bulk R1) · scenarios: 8 · dims: 5 · populated cells: 37/40

Scenario Scenario Tool Retrieval Faith AnsQ
LINE 線上估價 / 估價諮詢 / 線上估價｜pico調整 100.0% (n=1) 0.0% (n=1) 0.0% (n=1) 0.0% (n=1) 83.3% (n=1)
early_return 0.0% [0.0–0.0] (n=9) 0.0% (n=1) 100.0% [100.0–100.0] (n=8) 100.0% [100.0–100.0] (n=8) 94.1% [90.4–97.8] (n=9)
取消政策 50.0% [0.0–100.0] (n=2) 50.0% [0.0–100.0] (n=2) 0.0% [0.0–0.0] (n=2) 100.0% [100.0–100.0] (n=2) 61.7% [43.3–80.0] (n=2)
官網/App使用、付款失敗問題 100.0% (n=1) — 0.0% (n=1) 100.0% (n=1) 90.0% (n=1)
居家傢俱清潔送洗（地毯 / 窗簾 / 寢具 / 沙發） pico改 50.0% [0.0–100.0] (n=2) 50.0% [0.0–100.0] (n=2) 0.0% (n=1) 83.3% [66.7–100.0] (n=2)
情緒升溫處理 (抱怨/投訴/催促回覆) 100.0% [100.0–100.0] (n=2) — — 100.0% [100.0–100.0] (n=2) 96.7% [96.7–96.7] (n=2)
知識與產品查詢 91.7% [75.0–100.0] (n=12) 91.7% [75.0–100.0] (n=12) 83.3% [58.3–100.0] (n=12) 91.7% [75.0–100.0] (n=12) 94.7% [87.5–99.2] (n=12)
通用銷售（服務諮詢入口）｜pico更新 100.0% (n=1) 0.0% (n=1) 0.0% (n=1) 0.0% (n=1) 83.3% (n=1)

Worst-3 cells (lowest primary score)

  1. LINE 線上估價 / 估價諮詢 / 線上估價｜pico調整 × Tool · 0.0% (n=1) · lowest sub_metric: tools_recall
  2. LINE 線上估價 / 估價諮詢 / 線上估價｜pico調整 × Retrieval · 0.0% (n=1) · lowest sub_metric: knowledges_source_recall
  3. LINE 線上估價 / 估價諮詢 / 線上估價｜pico調整 × Faith · 0.0% (n=1) · lowest sub_metric: rule_compliance