EVAL RUN · 評估報告 回到執行

#315 兩項目評估報告

auto-dffd8a8b-r1-053959924 production-baseline 產製於 05月16日 14:15

I. VITAL SIGNS

各項目健康度概覽

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
70.0%
[40.0% – 100.0%] · n=10
F1 60.0% · 召回 70.0% · 精確 55.0%
10 / 10 適用
用對工具 召回
tool_usage
50.0%
[16.7% – 83.3%] · n=6
F1 50.0% · 召回 50.0% · 精確 50.0%
6 / 10 適用
答得到位 平均
answer_quality
63.7%
[48.0% – 78.7%] · n=10
10 / 10 適用
II. RUN ECONOMICS

本次 Run 的 LLM 成本概覽

Judge 總成本（USD） $0.0112 30 次 judge 呼叫
Judge 總 Token 數 94,007 輸入 88,838 · 輸出 5,169
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 $0.0412
302,218 tokens · 149 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 $0.0112
94,007 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） 13 23,952 1,757 $0.0037
回答品質（answer_quality） 17 64,886 3,412 $0.0076
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=3 最低 sub_metric： scenario_precision
  2. 02
    early_return 工具使用
    0.0% n=3 最低 sub_metric： tools_recall
  3. 03
    知識與產品查詢 忠實度
    0.0% n=3 最低 sub_metric： rule_compliance
IV. DEEP DIVE

全段詳細數據

兩項目評估報告

  • EvalRun: #315（suite #159 auto-dffd8a8b-r1-053959924）
  • Target: #1 production-baseline
  • Cases: 17（N=1, attempts=17/17）
  • Generated: 2026-05-16T14:15:34+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: 6 / 17 (35.3%)
  • 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
early_return 0 / 3 — —
知識與產品查詢 3 / 3 ❌ 0.0% —
租車登記 1 / 5 ❌ 0.0% —
訂單查詢 1 / 5 ❌ 0.0% —
轉接真人客服 1 / 1 ❌ 0.0% —

待修方向（worst-3）

  1. 訂單查詢 × retrieval_relevance = 0.0% — bot 進對 scenario 但沒呼叫 search tool — 流程 / prompt 問題（不是 KB content gap）
  2. 轉接真人客服 × retrieval_relevance = 0.0% — bot 進對 scenario 但沒呼叫 search tool — 流程 / prompt 問題（不是 KB content gap）
  3. 知識與產品查詢 × retrieval_relevance = 0.0% — bot 進對 scenario 但沒呼叫 search tool — 流程 / prompt 問題（不是 KB content gap）

項目二: 情境調用與完成

整體 funnel（全 scenarios 加總）

Stage Pass count % of total
Total attempts 17 100.0%
Step 1: scenario_routing 6 35.3%
Step 2: + tool_calling 6 35.3%
Step 3: + answer 2 11.8%

Per-scenario funnel

Scenario (n_attempts) Step 1 (routing) Step 2 (tool) Step 3 (answer) end-to-end
early_return (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%) ❌ 0/3 (0.0%) ❌ 0/3 (0.0%)
租車登記 (5) ❌ 1/5 (20.0%) ❌ 1/5 (20.0%) ❌ 1/5 (20.0%) ❌ 1/5 (20.0%)
訂單查詢 (5) ❌ 1/5 (20.0%) ❌ 1/5 (20.0%) ❌ 0/5 (0.0%) ❌ 0/5 (0.0%)
轉接真人客服 (1) ✅ 1/1 (100.0%) ✅ 1/1 (100.0%) ✅ 1/1 (100.0%) ✅ 1/1 (100.0%)

Drop-off 最大的 5 個 scenario

  1. early_return drop at step1 (-100.0pp)
  2. 知識與產品查詢 drop at step3 (-100.0pp)
  3. 租車登記 drop at step1 (-80.0pp)
  4. 訂單查詢 drop at step1 (-80.0pp)
  5. 轉接真人客服 drop at step1 (-0.0pp)

Audit

Reproduce combined report: bin/rails runner "puts Eval::EvaluationReport.call(run: EvalRun.find(315))" Or fetch each item separately:

  • bin/rails runner "puts Eval::KbAccuracyReport.call(run: EvalRun.find(315))"
  • bin/rails runner "puts Eval::ScenarioFunnelReport.call(run: EvalRun.find(315))"

Per-Scenario × Per-Dim — Run #315

Suite: 咖啡機車行 AI 助手 (bulk R1) · scenarios: 5 · dims: 5 · populated cells: 17/25

Scenario Scenario Tool Retrieval Faith AnsQ
early_return 0.0% [0.0–0.0] (n=3) 0.0% [0.0–0.0] (n=3) — — 55.6% [26.7–100.0] (n=3)
知識與產品查詢 100.0% [100.0–100.0] (n=3) 100.0% [100.0–100.0] (n=3) — 0.0% [0.0–0.0] (n=3) 31.1% [26.7–40.0] (n=3)
租車登記 40.0% [0.0–80.0] (n=5) — — 50.0% [0.0–100.0] (n=4) 69.3% [48.7–90.0] (n=5)
訂單查詢 80.0% [40.0–100.0] (n=5) 20.0% [0.0–60.0] (n=5) — 40.0% [0.0–80.0] (n=5) 60.0% [39.3–80.7] (n=5)
轉接真人客服 100.0% (n=1) — — 100.0% (n=1) 90.0% (n=1)

Worst-3 cells (lowest primary score)

  1. early_return × Scenario · 0.0% (n=3) · lowest sub_metric: scenario_precision
  2. early_return × Tool · 0.0% (n=3) · lowest sub_metric: tools_recall
  3. 知識與產品查詢 × Faith · 0.0% (n=3) · lowest sub_metric: rule_compliance