EVAL RUN · 評估報告 回到執行

#409 兩項目評估報告

auto-00281e2f-r1-054000326 production-baseline 產製於 05月17日 06:32

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 70.0% · 召回 70.0% · 精確 70.0%
10 / 10 適用
用對工具 召回
tool_usage
70.0%
[40.0% – 100.0%] · n=10
F1 70.0% · 召回 70.0% · 精確 100.0%
10 / 10 適用
答得到位 平均
answer_quality
31.3%
[15.3% – 49.3%] · n=10
10 / 10 適用
II. RUN ECONOMICS

本次 Run 的 LLM 成本概覽

Judge 總成本（USD） $0.0069 20 次 judge 呼叫
Judge 總 Token 數 57,852 輸入 54,203 · 輸出 3,649
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 $0.0240
179,631 tokens · 109 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 $0.0069
57,852 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） 8 11,919 949 $0.0017
回答品質（answer_quality） 12 42,284 2,700 $0.0052
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
    轉接真人客服 忠實度
    0.0% n=1 最低 sub_metric： rule_compliance
  2. 02
    知識與產品查詢 忠實度
    28.6% n=7 最低 sub_metric： rule_compliance
  3. 03
    知識與產品查詢 回答品質
    30.9% n=11 最低 sub_metric： supplementary_coverage
IV. DEEP DIVE

全段詳細數據

兩項目評估報告

  • EvalRun: #409（suite #207 auto-00281e2f-r1-054000326）
  • Target: #1 production-baseline
  • Cases: 12（N=1, attempts=12/12）
  • Generated: 2026-05-17T06:32:45+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: 9 / 12 (75.0%)
  • 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 / 11 ❌ 0.0% —
轉接真人客服 1 / 1 ❌ 0.0% —

待修方向（worst-3）

  1. 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）
  2. 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 12 100.0%
Step 1: scenario_routing 9 75.0%
Step 2: + tool_calling 9 75.0%
Step 3: + answer 1 8.3%

Per-scenario funnel

Scenario (n_attempts) Step 1 (routing) Step 2 (tool) Step 3 (answer) end-to-end
知識與產品查詢 (11) ⚪ 8/11 (72.7%) ⚪ 8/11 (72.7%) ❌ 1/11 (9.1%) ❌ 1/11 (9.1%)
轉接真人客服 (1) ✅ 1/1 (100.0%) ✅ 1/1 (100.0%) ❌ 0/1 (0.0%) ❌ 0/1 (0.0%)

Drop-off 最大的 5 個 scenario

  1. 轉接真人客服 drop at step3 (-100.0pp)
  2. 知識與產品查詢 drop at step3 (-63.6pp)

Audit

Reproduce combined report: bin/rails runner "puts Eval::EvaluationReport.call(run: EvalRun.find(409))" Or fetch each item separately:

  • bin/rails runner "puts Eval::KbAccuracyReport.call(run: EvalRun.find(409))"
  • bin/rails runner "puts Eval::ScenarioFunnelReport.call(run: EvalRun.find(409))"

Per-Scenario × Per-Dim — Run #409

Suite: 欣寶XianBot (bulk R1) · scenarios: 2 · dims: 5 · populated cells: 7/10

Scenario Scenario Tool Retrieval Faith AnsQ
知識與產品查詢 72.7% [45.5–90.9] (n=11) 72.7% [45.5–100.0] (n=11) — 28.6% [0.0–57.1] (n=7) 30.9% [17.0–47.0] (n=11)
轉接真人客服 100.0% (n=1) — — 0.0% (n=1) 36.7% (n=1)

Worst-3 cells (lowest primary score)

  1. 轉接真人客服 × Faith · 0.0% (n=1) · lowest sub_metric: rule_compliance
  2. 知識與產品查詢 × Faith · 28.6% (n=7) · lowest sub_metric: rule_compliance
  3. 知識與產品查詢 × AnsQ · 30.9% (n=11) · lowest sub_metric: supplementary_coverage