EVAL RUN · 評估報告 回到執行

#385 兩項目評估報告

auto-5c7c4a1f-r1-054000224 production-baseline 產製於 05月17日 06:33

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
60.0%
[30.0% – 90.0%] · n=10
F1 20.0% · 相關率 55.7% · 精確 52.0%
10 / 10 適用 · 2 提示
不亂編造 平均
faithfulness
100.0%
[100.0% – 100.0%] · n=6
10 / 10 適用
答得到位 平均
answer_quality
65.3%
[37.7% – 90.7%] · 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 83.3% · 召回 100.0% · 精確 75.0%
10 / 10 適用
用對工具 召回
tool_usage
0.0%
[0.0% – 0.0%] · n=4
F1 16.7% · 召回 12.5% · 精確 100.0%
4 / 10 適用
答得到位 平均
answer_quality
84.7%
[68.7% – 98.3%] · n=10
10 / 10 適用
II. RUN ECONOMICS

本次 Run 的 LLM 成本概覽

Judge 總成本（USD） $0.0268 73 次 judge 呼叫
Judge 總 Token 數 204,976 輸入 193,706 · 輸出 11,270
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 $0.0515
351,157 tokens · 182 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 $0.0268
204,976 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） 26 62,681 4,760 $0.0102
回答品質（answer_quality） 30 114,402 5,992 $0.0138
檢索相關性（retrieval_relevance） 17 16,623 518 $0.0028
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
    預算區間推薦 工具使用
    0.0% n=2 最低 sub_metric： tools_recall
  3. 03
    詢問各型號重量尺寸 檢索
    0.0% n=2 最低 sub_metric： knowledges_source_recall
IV. DEEP DIVE

全段詳細數據

兩項目評估報告

  • EvalRun: #385（suite #196 auto-5c7c4a1f-r1-054000224）
  • Target: #1 production-baseline
  • Cases: 30（N=1, attempts=30/30）
  • Generated: 2026-05-17T06:33:33+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: 8 / 30 (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 8 / 10 ⚪ 53.7% ✅ 100.0%

待修方向（worst-3）

  1. 知識與產品查詢 × retrieval_relevance = 53.7% — 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 20 100.0%
Step 1: scenario_routing 6 30.0%
Step 2: + tool_calling 6 30.0%
Step 3: + answer 5 25.0%

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%)
出貨時間詢問 (2) ⚪ 1/2 (50.0%) ⚪ 1/2 (50.0%) ⚪ 1/2 (50.0%) ⚪ 1/2 (50.0%)
產品異常 (2) ❌ 0/2 (0.0%) ❌ 0/2 (0.0%) ❌ 0/2 (0.0%) ❌ 0/2 (0.0%)
知識與產品查詢 (3) ⚪ 2/3 (66.7%) ⚪ 2/3 (66.7%) ❌ 1/3 (33.3%) ❌ 1/3 (33.3%)
詢問各型號重量尺寸 (2) ⚪ 1/2 (50.0%) ⚪ 1/2 (50.0%) ⚪ 1/2 (50.0%) ⚪ 1/2 (50.0%)
預算區間推薦 (2) ✅ 2/2 (100.0%) ✅ 2/2 (100.0%) ✅ 2/2 (100.0%) ✅ 2/2 (100.0%)

Drop-off 最大的 5 個 scenario

  1. early_return drop at step1 (-100.0pp)
  2. 產品異常 drop at step1 (-100.0pp)
  3. 出貨時間詢問 drop at step1 (-50.0pp)
  4. 詢問各型號重量尺寸 drop at step1 (-50.0pp)
  5. 知識與產品查詢 drop at step1 (-33.3pp)

Audit

Reproduce combined report: bin/rails runner "puts Eval::EvaluationReport.call(run: EvalRun.find(385))" Or fetch each item separately:

  • bin/rails runner "puts Eval::KbAccuracyReport.call(run: EvalRun.find(385))"
  • bin/rails runner "puts Eval::ScenarioFunnelReport.call(run: EvalRun.find(385))"

Per-Scenario × Per-Dim — Run #385

Suite: 智能客服 - 犀犀 (bulk R1) · scenarios: 6 · dims: 5 · populated cells: 25/30

Scenario Scenario Tool Retrieval Faith AnsQ
early_return 0.0% [0.0–0.0] (n=9) — 100.0% [100.0–100.0] (n=9) 100.0% [100.0–100.0] (n=9) 96.7% [94.1–99.3] (n=9)
出貨時間詢問 100.0% [100.0–100.0] (n=2) — 0.0% [0.0–0.0] (n=2) 50.0% [0.0–100.0] (n=2) 91.7% [90.0–93.3] (n=2)
產品異常 100.0% [100.0–100.0] (n=2) — 0.0% [0.0–0.0] (n=2) 100.0% [100.0–100.0] (n=2) 100.0% [100.0–100.0] (n=2)
知識與產品查詢 84.6% [61.5–100.0] (n=13) 7.7% [0.0–23.1] (n=13) 50.0% [25.0–75.0] (n=12) 85.2% [63.0–100.0] (n=9) 62.3% [40.5–82.6] (n=13)
詢問各型號重量尺寸 100.0% [100.0–100.0] (n=2) — 0.0% [0.0–0.0] (n=2) 100.0% [100.0–100.0] (n=2) 98.3% [96.7–100.0] (n=2)
預算區間推薦 100.0% [100.0–100.0] (n=2) 0.0% [0.0–0.0] (n=2) — 100.0% [100.0–100.0] (n=2) 100.0% [100.0–100.0] (n=2)

Worst-3 cells (lowest primary score)

  1. early_return × Scenario · 0.0% (n=9) · lowest sub_metric: scenario_precision
  2. 預算區間推薦 × Tool · 0.0% (n=2) · lowest sub_metric: tools_recall
  3. 詢問各型號重量尺寸 × Retrieval · 0.0% (n=2) · lowest sub_metric: knowledges_source_recall