EVAL RUN · 評估報告 回到執行

#149 兩項目評估報告

auto-f20761df-r1-053958945 production-baseline 產製於 05月16日 13:35

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 22.0% · 精確 20.0%
10 / 10 適用 · 2 提示
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
98.7%
[96.7% – 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
30.0%
[0.0% – 60.0%] · n=10
F1 30.0% · 召回 30.0% · 精確 30.0%
10 / 10 適用
用對工具 召回
tool_usage
30.0%
[0.0% – 60.0%] · n=10
F1 30.0% · 召回 30.0% · 精確 30.0%
10 / 10 適用
答得到位 平均
answer_quality
67.7%
[58.3% – 78.7%] · n=10
10 / 10 適用
II. RUN ECONOMICS

本次 Run 的 LLM 成本概覽

Judge 總成本（USD） $0.0350 79 次 judge 呼叫
Judge 總 Token 數 255,592 輸入 242,136 · 輸出 13,456
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 $0.0792
580,386 tokens · 310 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 $0.0350
255,592 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） 29 105,859 6,677 $0.0176
回答品質（answer_quality） 30 110,268 6,107 $0.0132
檢索相關性（retrieval_relevance） 20 26,009 672 $0.0042
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
    FAQ查詢 情境
    0.0% n=1 最低 sub_metric： scenario_precision
  2. 02
    FAQ查詢 工具使用
    0.0% n=1 最低 sub_metric： tools_precision
  3. 03
    early_return 情境
    0.0% n=9 最低 sub_metric： scenario_precision
IV. DEEP DIVE

全段詳細數據

兩項目評估報告

  • EvalRun: #149（suite #85 auto-f20761df-r1-053958945）
  • Target: #1 production-baseline
  • Cases: 30（N=1, attempts=30/30）
  • Generated: 2026-05-16T13:35:18+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 ❌ 41.2% ✅ 100.0%

待修方向（worst-3）

  1. 知識與產品查詢 × retrieval_relevance = 41.2% — 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 = 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 3 15.0%
Step 2: + tool_calling 3 15.0%
Step 3: + answer 2 10.0%

Per-scenario funnel

Scenario (n_attempts) Step 1 (routing) Step 2 (tool) Step 3 (answer) end-to-end
FAQ查詢 (1) ❌ 0/1 (0.0%) ❌ 0/1 (0.0%) ❌ 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%)
產品查詢 (5) ❌ 0/5 (0.0%) ❌ 0/5 (0.0%) ❌ 0/5 (0.0%) ❌ 0/5 (0.0%)
訂單查詢 (5) ⚪ 3/5 (60.0%) ⚪ 3/5 (60.0%) ❌ 2/5 (40.0%) ❌ 2/5 (40.0%)

Drop-off 最大的 5 個 scenario

  1. FAQ查詢 drop at step1 (-100.0pp)
  2. early_return drop at step1 (-100.0pp)
  3. 產品查詢 drop at step1 (-100.0pp)
  4. 訂單查詢 drop at step1 (-40.0pp)

Audit

Reproduce combined report: bin/rails runner "puts Eval::EvaluationReport.call(run: EvalRun.find(149))" Or fetch each item separately:

  • bin/rails runner "puts Eval::KbAccuracyReport.call(run: EvalRun.find(149))"
  • bin/rails runner "puts Eval::ScenarioFunnelReport.call(run: EvalRun.find(149))"

Per-Scenario × Per-Dim — Run #149

Suite: JTC OmniBlenda AI 小幫手 (bulk R1) · scenarios: 5 · dims: 5 · populated cells: 24/25

Scenario Scenario Tool Retrieval Faith AnsQ
FAQ查詢 0.0% (n=1) 0.0% (n=1) 50.0% (n=1) 100.0% (n=1) 100.0% (n=1)
early_return 0.0% [0.0–0.0] (n=9) 0.0% (n=1) 87.5% [62.5–100.0] (n=8) 88.9% [66.7–100.0] (n=9) 85.6% [67.0–98.5] (n=9)
產品查詢 0.0% [0.0–0.0] (n=5) 0.0% [0.0–0.0] (n=5) 100.0% [100.0–100.0] (n=4) 80.0% [66.7–93.3] (n=5) 50.0% [38.7–56.7] (n=5)
知識與產品查詢 100.0% [100.0–100.0] (n=10) 0.0% [0.0–0.0] (n=10) 100.0% [100.0–100.0] (n=10) 100.0% [100.0–100.0] (n=10) 98.7% [96.7–100.0] (n=10)
訂單查詢 60.0% [20.0–100.0] (n=5) 60.0% [20.0–100.0] (n=5) — 58.3% [16.7–91.7] (n=4) 70.7% [55.3–82.7] (n=5)

Worst-3 cells (lowest primary score)

  1. FAQ查詢 × Scenario · 0.0% (n=1) · lowest sub_metric: scenario_precision
  2. FAQ查詢 × Tool · 0.0% (n=1) · lowest sub_metric: tools_precision
  3. early_return × Scenario · 0.0% (n=9) · lowest sub_metric: scenario_precision