EVAL RUN · 評估報告 回到執行

#246 兩項目評估報告

auto-64c058af-r1-053959682 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 (4 cases)

各維度品質分 · 覆蓋率
找對資料 召回
retrieval
100.0%
[100.0% – 100.0%] · n=4
F1 33.3% · 相關率 45.0% · 精確 20.0%
4 / 4 適用
不亂編造 平均
faithfulness
100.0%
[100.0% – 100.0%] · n=4
4 / 4 適用
答得到位 平均
answer_quality
82.5%
[65.0% – 95.8%] · n=4
4 / 4 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
20.0%
[0.0% – 50.0%] · n=10
F1 13.3% · 召回 20.0% · 精確 10.0%
10 / 10 適用
用對工具 召回
tool_usage
0.0%
[0.0% – 0.0%] · n=10
F1 26.7% · 召回 20.0% · 精確 60.0%
10 / 10 適用
答得到位 平均
answer_quality
46.7%
[32.7% – 62.0%] · n=10
10 / 10 適用
II. RUN ECONOMICS

本次 Run 的 LLM 成本概覽

Judge 總成本（USD） $0.0137 35 次 judge 呼叫
Judge 總 Token 數 99,750 輸入 92,547 · 輸出 7,203
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 $0.1151
939,424 tokens · 334 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 $0.0137
99,750 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） 14 31,572 3,710 $0.0060
回答品質（answer_quality） 15 57,707 3,325 $0.0072
檢索相關性（retrieval_relevance） 6 3,268 168 $0.0006
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
    訂單查詢 工具使用
    0.0% n=3 最低 sub_metric： tools_precision
  2. 02
    知識與產品查詢 工具使用
    0.0% n=4 最低 sub_metric： tools_precision
  3. 03
    產品查詢 忠實度
    0.0% n=3 最低 sub_metric： hallucination_rate
IV. DEEP DIVE

全段詳細數據

兩項目評估報告

  • EvalRun: #246（suite #135 auto-64c058af-r1-053959682）
  • Target: #2 production-canary
  • Cases: 15（N=1, attempts=15/15）
  • Generated: 2026-05-16T13:51:02+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: 4 / 15 (26.7%)
  • 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 4 / 4 ⚪ 51.2% ✅ 100.0%

待修方向（worst-3）

  1. 知識與產品查詢 × retrieval_relevance = 51.2% — retrieval 略低 — 看 LLM relevance vs topic_match 哪邊弱
  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 11 100.0%
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
FAQ查詢 (4) ❌ 0/4 (0.0%) ❌ 0/4 (0.0%) ❌ 0/4 (0.0%) ❌ 0/4 (0.0%)
early_return (1) ❌ 0/1 (0.0%) ❌ 0/1 (0.0%) ❌ 0/1 (0.0%) ❌ 0/1 (0.0%)
產品查詢 (3) ❌ 0/3 (0.0%) ❌ 0/3 (0.0%) ❌ 0/3 (0.0%) ❌ 0/3 (0.0%)
訂單查詢 (3) ❌ 0/3 (0.0%) ❌ 0/3 (0.0%) ❌ 0/3 (0.0%) ❌ 0/3 (0.0%)

Drop-off 最大的 5 個 scenario

  1. FAQ查詢 drop at step1 (-100.0pp)
  2. early_return drop at step1 (-100.0pp)
  3. 產品查詢 drop at step1 (-100.0pp)
  4. 訂單查詢 drop at step1 (-100.0pp)

Audit

Reproduce combined report: bin/rails runner "puts Eval::EvaluationReport.call(run: EvalRun.find(246))" Or fetch each item separately:

  • bin/rails runner "puts Eval::KbAccuracyReport.call(run: EvalRun.find(246))"
  • bin/rails runner "puts Eval::ScenarioFunnelReport.call(run: EvalRun.find(246))"

Per-Scenario × Per-Dim — Run #246

Suite: WEEX Agent (bulk R1) · scenarios: 5 · dims: 5 · populated cells: 21/25

Scenario Scenario Tool Retrieval Faith AnsQ
FAQ查詢 0.0% [0.0–0.0] (n=4) 0.0% [0.0–0.0] (n=4) 25.0% [0.0–75.0] (n=4) 33.3% [0.0–75.0] (n=4) 63.3% [38.3–88.3] (n=4)
early_return 0.0% (n=1) 0.0% (n=1) — — 100.0% (n=1)
產品查詢 0.0% [0.0–0.0] (n=3) 0.0% [0.0–0.0] (n=3) — 0.0% [0.0–0.0] (n=3) 26.7% [26.7–26.7] (n=3)
知識與產品查詢 100.0% [100.0–100.0] (n=4) 0.0% [0.0–0.0] (n=4) 100.0% [100.0–100.0] (n=4) 100.0% [100.0–100.0] (n=4) 82.5% [65.0–95.8] (n=4)
訂單查詢 66.7% [0.0–100.0] (n=3) 0.0% [0.0–0.0] (n=3) — 100.0% [100.0–100.0] (n=3) 44.4% [26.7–73.3] (n=3)

Worst-3 cells (lowest primary score)

  1. 訂單查詢 × Tool · 0.0% (n=3) · lowest sub_metric: tools_precision
  2. 知識與產品查詢 × Tool · 0.0% (n=4) · lowest sub_metric: tools_precision
  3. 產品查詢 × Faith · 0.0% (n=3) · lowest sub_metric: hallucination_rate