EVAL RUN · 評估報告 回到執行

#235 兩項目評估報告

auto-test_onl-r1-053959604 production-baseline 產製於 05月16日 13:51

I. VITAL SIGNS

各項目健康度概覽

項目二: 情境調用與完成 (2 cases)

各維度品質分 · 覆蓋率
走對流程 召回
scenario
0.0%
[0.0% – 0.0%] · n=2
F1 0.0% · 召回 0.0% · 精確 0.0%
2 / 2 適用
用對工具 召回
tool_usage
0.0%
[0.0% – 0.0%] · n=2
F1 0.0% · 召回 0.0% · 精確 100.0%
2 / 2 適用
答得到位 平均
answer_quality
30.0%
[26.7% – 33.3%] · n=2
2 / 2 適用
II. RUN ECONOMICS

本次 Run 的 LLM 成本概覽

Judge 總成本（USD） $0.0017 4 次 judge 呼叫
Judge 總 Token 數 14,687 輸入 13,786 · 輸出 901
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 $0.0038
25,432 tokens · 20 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 $0.0017
14,687 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） 0 0 0 $0.0000
回答品質（answer_quality） 4 13,786 901 $0.0017
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=4 最低 sub_metric： scenario_precision
  2. 02
    early_return 工具使用
    0.0% n=4 最低 sub_metric： tools_recall
  3. 03
    early_return 回答品質
    25.0% n=4 最低 sub_metric： answer_correctness
IV. DEEP DIVE

全段詳細數據

兩項目評估報告

  • EvalRun: #235（suite #129 auto-test_onl-r1-053959604）
  • Target: #1 production-baseline
  • Cases: 4（N=1, attempts=4/4）
  • Generated: 2026-05-16T13:51:33+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: 0 / 4 (0.0%)
  • 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 / 4 — —

項目二: 情境調用與完成

整體 funnel（全 scenarios 加總）

Stage Pass count % of total
Total attempts 4 100.0%
Step 1: scenario_routing 0 0.0%
Step 2: + tool_calling 0 0.0%
Step 3: + answer 0 0.0%

Per-scenario funnel

Scenario (n_attempts) Step 1 (routing) Step 2 (tool) Step 3 (answer) end-to-end
early_return (4) ❌ 0/4 (0.0%) ❌ 0/4 (0.0%) ❌ 0/4 (0.0%) ❌ 0/4 (0.0%)

Drop-off 最大的 5 個 scenario

  1. early_return drop at step1 (-100.0pp)

Audit

Reproduce combined report: bin/rails runner "puts Eval::EvaluationReport.call(run: EvalRun.find(235))" Or fetch each item separately:

  • bin/rails runner "puts Eval::KbAccuracyReport.call(run: EvalRun.find(235))"
  • bin/rails runner "puts Eval::ScenarioFunnelReport.call(run: EvalRun.find(235))"

Per-Scenario × Per-Dim — Run #235

Suite: Test Bot - Neptune (bulk R1) · scenarios: 1 · dims: 5 · populated cells: 3/5

Scenario Scenario Tool Retrieval Faith AnsQ
early_return 0.0% [0.0–0.0] (n=4) 0.0% [0.0–0.0] (n=4) — — 25.0% [8.3–36.7] (n=4)

Worst-3 cells (lowest primary score)

  1. early_return × Scenario · 0.0% (n=4) · lowest sub_metric: scenario_precision
  2. early_return × Tool · 0.0% (n=4) · lowest sub_metric: tools_recall
  3. early_return × AnsQ · 25.0% (n=4) · lowest sub_metric: answer_correctness