EVAL RUN · 評估報告 回到執行

#216 兩項目評估報告

auto-e2abf68d-r1-053959363 production-canary 產製於 05月16日 13:51

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
80.0%
[50.0% – 100.0%] · n=10
F1 26.7% · 相關率 15.7% · 精確 36.0%
10 / 10 適用 · 6 提示
不亂編造 平均
faithfulness
93.8%
[81.3% – 100.0%] · n=8
10 / 10 適用
答得到位 平均
answer_quality
82.7%
[62.0% – 97.7%] · 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
100.0%
[100.0% – 100.0%] · n=10
F1 83.3% · 召回 100.0% · 精確 75.0%
10 / 10 適用
用對工具 召回
tool_usage
0.0%
[0.0% – 0.0%] · n=3
F1 66.7% · 召回 50.0% · 精確 100.0%
3 / 10 適用
答得到位 平均
answer_quality
67.3%
[47.0% – 85.7%] · n=10
10 / 10 適用
II. RUN ECONOMICS

本次 Run 的 LLM 成本概覽

Judge 總成本（USD） $0.0249 67 次 judge 呼叫
Judge 總 Token 數 189,541 輸入 178,912 · 輸出 10,629
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 $0.0916
699,740 tokens · 287 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 $0.0249
189,541 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） 23 61,255 4,238 $0.0099
回答品質（answer_quality） 28 105,980 5,831 $0.0129
檢索相關性（retrieval_relevance） 16 11,677 560 $0.0021
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=7 最低 sub_metric： scenario_precision
  2. 02
    early_return 工具使用
    0.0% n=2 最低 sub_metric： tools_precision
  3. 03
    詢問各型號重量尺寸 檢索
    0.0% n=4 最低 sub_metric： knowledges_source_recall
IV. DEEP DIVE

全段詳細數據

兩項目評估報告

  • EvalRun: #216（suite #114 auto-e2abf68d-r1-053959363）
  • Target: #2 production-canary
  • Cases: 28（N=1, attempts=28/28）
  • Generated: 2026-05-16T13:51:09+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 / 28 (35.7%)
  • 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 ❌ 28.1% ✅ 93.8%

待修方向（worst-3）

  1. 知識與產品查詢 × retrieval_relevance = 28.1% — 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 = 93.8% — 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 18 100.0%
Step 1: scenario_routing 6 33.3%
Step 2: + tool_calling 6 33.3%
Step 3: + answer 2 11.1%

Per-scenario funnel

Scenario (n_attempts) Step 1 (routing) Step 2 (tool) Step 3 (answer) end-to-end
early_return (7) ❌ 0/7 (0.0%) ❌ 0/7 (0.0%) ❌ 0/7 (0.0%) ❌ 0/7 (0.0%)
產品異常 (3) ❌ 0/3 (0.0%) ❌ 0/3 (0.0%) ❌ 0/3 (0.0%) ❌ 0/3 (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%)
詢問各型號重量尺寸 (5) ⚪ 3/5 (60.0%) ⚪ 3/5 (60.0%) ❌ 0/5 (0.0%) ❌ 0/5 (0.0%)

Drop-off 最大的 5 個 scenario

  1. early_return drop at step1 (-100.0pp)
  2. 產品異常 drop at step1 (-100.0pp)
  3. 詢問各型號重量尺寸 drop at step3 (-60.0pp)
  4. 知識與產品查詢 drop at step3 (-33.3pp)

Audit

Reproduce combined report: bin/rails runner "puts Eval::EvaluationReport.call(run: EvalRun.find(216))" Or fetch each item separately:

  • bin/rails runner "puts Eval::KbAccuracyReport.call(run: EvalRun.find(216))"
  • bin/rails runner "puts Eval::ScenarioFunnelReport.call(run: EvalRun.find(216))"

Per-Scenario × Per-Dim — Run #216

Suite: Service Client Intelligent - Rhino (bulk R1) · scenarios: 4 · dims: 5 · populated cells: 18/20

Scenario Scenario Tool Retrieval Faith AnsQ
early_return 0.0% [0.0–0.0] (n=7) 0.0% [0.0–0.0] (n=2) 83.3% [50.0–100.0] (n=6) 100.0% [100.0–100.0] (n=5) 75.2% [45.2–98.6] (n=7)
產品異常 100.0% [100.0–100.0] (n=3) — 0.0% [0.0–0.0] (n=3) 100.0% [100.0–100.0] (n=2) 94.4% [90.0–96.7] (n=3)
知識與產品查詢 100.0% [100.0–100.0] (n=13) 46.2% [23.1–76.9] (n=13) 76.9% [53.8–100.0] (n=13) 95.5% [86.4–100.0] (n=11) 84.4% [68.7–96.7] (n=13)
詢問各型號重量尺寸 100.0% [100.0–100.0] (n=5) — 0.0% [0.0–0.0] (n=4) 40.0% [0.0–80.0] (n=5) 29.3% [26.7–34.7] (n=5)

Worst-3 cells (lowest primary score)

  1. early_return × Scenario · 0.0% (n=7) · lowest sub_metric: scenario_precision
  2. early_return × Tool · 0.0% (n=2) · lowest sub_metric: tools_precision
  3. 詢問各型號重量尺寸 × Retrieval · 0.0% (n=4) · lowest sub_metric: knowledges_source_recall