EVAL RUN · 評估報告 回到執行

#212 兩項目評估報告

auto-34eb669a-r1-053959549 production-canary 產製於 05月16日 13:52

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 18.2% · 相關率 13.3% · 精確 10.0%
10 / 10 適用 · 1 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
94.0%
[89.3% – 98.0%] · 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
100.0%
[100.0% – 100.0%] · n=10
F1 100.0% · 召回 100.0% · 精確 100.0%
10 / 10 適用
用對工具 召回
tool_usage
100.0%
[100.0% – 100.0%] · n=5
F1 100.0% · 召回 100.0% · 精確 100.0%
5 / 10 適用
答得到位 平均
answer_quality
74.7%
[62.3% – 86.0%] · n=10
10 / 10 適用
II. RUN ECONOMICS

本次 Run 的 LLM 成本概覽

Judge 總成本（USD） $0.0285 76 次 judge 呼叫
Judge 總 Token 數 216,797 輸入 204,683 · 輸出 12,114
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 $0.0398
270,915 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 $0.0285
216,797 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 71,679 5,474 $0.0117
回答品質（answer_quality） 30 113,285 5,924 $0.0137
檢索相關性（retrieval_relevance） 17 19,719 716 $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
    Bug回報情境 檢索
    0.0% n=5 最低 sub_metric： knowledges_source_recall
  2. 02
    early_return 情境
    0.0% n=9 最低 sub_metric： scenario_precision
  3. 03
    Bug回報情境 回答品質
    68.3% n=6 最低 sub_metric： critical_coverage
IV. DEEP DIVE

全段詳細數據

兩項目評估報告

  • EvalRun: #212（suite #123 auto-34eb669a-r1-053959549）
  • Target: #2 production-canary
  • Cases: 30（N=1, attempts=30/30）
  • Generated: 2026-05-16T13:52:06+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 ❌ 38.5% ✅ 100.0%

待修方向（worst-3）

  1. 知識與產品查詢 × retrieval_relevance = 38.5% — 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 10 50.0%
Step 2: + tool_calling 10 50.0%
Step 3: + answer 9 45.0%

Per-scenario funnel

Scenario (n_attempts) Step 1 (routing) Step 2 (tool) Step 3 (answer) end-to-end
Bug回報情境 (6) ✅ 5/6 (83.3%) ✅ 5/6 (83.3%) ✅ 5/6 (83.3%) ✅ 5/6 (83.3%)
early_return (9) ❌ 0/9 (0.0%) ❌ 0/9 (0.0%) ❌ 0/9 (0.0%) ❌ 0/9 (0.0%)
知識與產品查詢 (1) ✅ 1/1 (100.0%) ✅ 1/1 (100.0%) ❌ 0/1 (0.0%) ❌ 0/1 (0.0%)
訂單查詢 (4) ✅ 4/4 (100.0%) ✅ 4/4 (100.0%) ✅ 4/4 (100.0%) ✅ 4/4 (100.0%)

Drop-off 最大的 5 個 scenario

  1. early_return drop at step1 (-100.0pp)
  2. 知識與產品查詢 drop at step3 (-100.0pp)
  3. Bug回報情境 drop at step1 (-16.7pp)
  4. 訂單查詢 drop at step1 (-0.0pp)

Audit

Reproduce combined report: bin/rails runner "puts Eval::EvaluationReport.call(run: EvalRun.find(212))" Or fetch each item separately:

  • bin/rails runner "puts Eval::KbAccuracyReport.call(run: EvalRun.find(212))"
  • bin/rails runner "puts Eval::ScenarioFunnelReport.call(run: EvalRun.find(212))"

Per-Scenario × Per-Dim — Run #212

Suite: SWAG Creator AI bot (bulk R1) · scenarios: 4 · dims: 5 · populated cells: 18/20

Scenario Scenario Tool Retrieval Faith AnsQ
Bug回報情境 100.0% [100.0–100.0] (n=6) — 0.0% [0.0–0.0] (n=5) 77.8% [44.4–100.0] (n=6) 68.3% [58.9–83.3] (n=6)
early_return 0.0% [0.0–0.0] (n=9) 100.0% (n=1) 100.0% [100.0–100.0] (n=8) 87.5% [62.5–100.0] (n=8) 80.4% [59.6–95.6] (n=9)
知識與產品查詢 100.0% [100.0–100.0] (n=11) 100.0% [100.0–100.0] (n=11) 100.0% [100.0–100.0] (n=10) 90.9% [72.7–100.0] (n=11) 87.9% [72.7–97.0] (n=11)
訂單查詢 100.0% [100.0–100.0] (n=4) 100.0% [100.0–100.0] (n=4) — 75.0% [25.0–100.0] (n=4) 88.3% [86.7–90.0] (n=4)

Worst-3 cells (lowest primary score)

  1. Bug回報情境 × Retrieval · 0.0% (n=5) · lowest sub_metric: knowledges_source_recall
  2. early_return × Scenario · 0.0% (n=9) · lowest sub_metric: scenario_precision
  3. Bug回報情境 × AnsQ · 68.3% (n=6) · lowest sub_metric: critical_coverage