EVAL RUN · 評估報告 回到執行

#24 兩項目評估報告

auto-7338fe34-r1-053958167 production-canary 產製於 05月16日 12:25

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 13.8% · 精確 10.0%
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
96.7%
[92.7% – 99.7%] · 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 93.3% · 召回 100.0% · 精確 90.0%
10 / 10 適用
用對工具 召回
tool_usage
83.3%
[50.0% – 100.0%] · n=6
F1 83.3% · 召回 83.3% · 精確 83.3%
6 / 10 適用
答得到位 平均
answer_quality
77.0%
[60.3% – 91.7%] · n=10
10 / 10 適用
II. RUN ECONOMICS

本次 Run 的 LLM 成本概覽

Judge 總成本（USD） $0.0308 79 次 judge 呼叫
Judge 總 Token 數 242,332 輸入 231,281 · 輸出 11,051
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 $0.0524
382,579 tokens · 193 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 $0.0308
242,332 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） 30 89,741 4,814 $0.0138
回答品質（answer_quality） 30 110,858 5,435 $0.0127
檢索相關性（retrieval_relevance） 19 30,682 802 $0.0043
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=9 最低 sub_metric： scenario_precision
  2. 02
    early_return 工具使用
    0.0% n=1 最低 sub_metric： tools_precision
  3. 03
    預約登記 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: #24（suite #21 auto-7338fe34-r1-053958167）
  • Target: #2 production-canary
  • Cases: 30（N=1, attempts=30/30）
  • Generated: 2026-05-16T12:25:41+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 ❌ 37.9% ✅ 100.0%

待修方向（worst-3）

  1. 知識與產品查詢 × retrieval_relevance = 37.9% — 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 9 45.0%
Step 2: + tool_calling 9 45.0%
Step 3: + answer 7 35.0%

Per-scenario funnel

Scenario (n_attempts) Step 1 (routing) Step 2 (tool) Step 3 (answer) end-to-end
early_return (9) ❌ 0/9 (0.0%) ❌ 0/9 (0.0%) ❌ 0/9 (0.0%) ❌ 0/9 (0.0%)
包堂報價 (2) ⚪ 1/2 (50.0%) ⚪ 1/2 (50.0%) ⚪ 1/2 (50.0%) ⚪ 1/2 (50.0%)
知識與產品查詢 (3) ✅ 3/3 (100.0%) ✅ 3/3 (100.0%) ❌ 1/3 (33.3%) ❌ 1/3 (33.3%)
肉毒需求評估 (1) ❌ 0/1 (0.0%) ❌ 0/1 (0.0%) ❌ 0/1 (0.0%) ❌ 0/1 (0.0%)
預約登記 (5) ✅ 5/5 (100.0%) ✅ 5/5 (100.0%) ✅ 5/5 (100.0%) ✅ 5/5 (100.0%)

Drop-off 最大的 5 個 scenario

  1. early_return drop at step1 (-100.0pp)
  2. 肉毒需求評估 drop at step1 (-100.0pp)
  3. 知識與產品查詢 drop at step3 (-66.7pp)
  4. 包堂報價 drop at step1 (-50.0pp)
  5. 預約登記 drop at step1 (-0.0pp)

Audit

Reproduce combined report: bin/rails runner "puts Eval::EvaluationReport.call(run: EvalRun.find(24))" Or fetch each item separately:

  • bin/rails runner "puts Eval::KbAccuracyReport.call(run: EvalRun.find(24))"
  • bin/rails runner "puts Eval::ScenarioFunnelReport.call(run: EvalRun.find(24))"

Per-Scenario × Per-Dim — Run #24

Suite: AI 小悅 (bulk R1) · scenarios: 5 · dims: 5 · populated cells: 24/25

Scenario Scenario Tool Retrieval Faith AnsQ
early_return 0.0% [0.0–0.0] (n=9) 0.0% (n=1) 100.0% [100.0–100.0] (n=8) 100.0% [100.0–100.0] (n=9) 94.8% [87.4–100.0] (n=9)
包堂報價 100.0% [100.0–100.0] (n=2) 50.0% [0.0–100.0] (n=2) 0.0% [0.0–0.0] (n=2) 100.0% [100.0–100.0] (n=2) 58.3% [26.7–90.0] (n=2)
知識與產品查詢 100.0% [100.0–100.0] (n=13) 100.0% [100.0–100.0] (n=13) 80.8% [57.7–100.0] (n=13) 82.1% [61.5–100.0] (n=13) 88.5% [77.2–96.9] (n=13)
肉毒需求評估 100.0% (n=1) 100.0% (n=1) 100.0% (n=1) 66.7% (n=1) 76.7% (n=1)
預約登記 100.0% [100.0–100.0] (n=5) — 0.0% [0.0–0.0] (n=4) 100.0% [100.0–100.0] (n=5) 98.7% [97.3–100.0] (n=5)

Worst-3 cells (lowest primary score)

  1. early_return × Scenario · 0.0% (n=9) · lowest sub_metric: scenario_precision
  2. early_return × Tool · 0.0% (n=1) · lowest sub_metric: tools_precision
  3. 預約登記 × Retrieval · 0.0% (n=4) · lowest sub_metric: knowledges_source_recall