執行 #236

Test Bot - Neptune (bulk R1) → production-canary (canary)

↓ EXPORT · HTML下載頁面 II. EVAL REPORT兩項目評估報告
狀態
已完成
案例
4
開始時間
16 May 12:32
耗時
565.7s
economic efficiency
cost per correct
—
pass rate
0.0%
0 / 4
judge cost
$0.0017
設定快照（reproducibility） 1 個 bot 已捕捉 · Judge：gpt-4o-mini

Bot 設定快照

  • test_only_bot 0 筆 KB
    SystemPrompt: — KBContent: sha256:e3b0c442 Tools: sha256:387a5330 Scenarios: sha256:e3b0c442 AI: — (T=—, max=—)

Judge 設定快照

model: gpt-4o-mini T=0.0 max=4096 prompt: v1
已完成
4 / 4
錯誤
0
失敗維度
0
首字延遲 p95
5245 ms
Bot 成本（Neptune）
—
Bot Tokens（Neptune）
—
Judge 成本（Eris）
$0.0017
Judge Tokens（Eris）
14,670

Bot 成本 / Tokens（左兩張）— production endpoint 不公開、都會回 0；要看真實 bot inference 成本請 點此打開其中一筆 Langfuse trace ↗。Judge 成本 / Tokens（右兩張）是 Eris 端真實數據，詳情可看評估報告的 Run Economics 章節。

項目 II.

情境調用與完成

scenario_funnel 2 cases

維度總表

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
21.7%
[10.0% – 33.3%] · n=2
2 / 2 適用
  • 案例 43F2980B

    為什麼我不能轉接到人類客服?

    已完成
    第 1 次嘗試 · 已完成 19399ms

    載入詳情中…
  • 案例 54CB3F04

    請問可以檢索最近 7 輪之前的對話嗎？

    已完成
    第 1 次嘗試 · 已完成 33314ms

    載入詳情中…
項目 III.

對話素養（混合問答）

mixed_qa 2 cases

維度總表

各維度品質分 · 覆蓋率
找對資料 召回
retrieval
—
—
不亂編造 平均
faithfulness
—
2 / 2 適用
答得到位 平均
answer_quality
21.7%
[0.0% – 43.3%] · n=2
2 / 2 適用
  • 案例 8EC6B4EA

    請問可以檢索最近 7 輪之前的對話嗎？

    已完成
    第 1 次嘗試 · 已完成 22359ms

    載入詳情中…
  • 案例 7EC82911

    負面情緒的時候要怎麼處理?

    已完成
    第 1 次嘗試 · 已完成 6780ms

    載入詳情中…