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

100.0%

[100.0% – 100.0%] · n=10

F1 100.0% · 召回 100.0% · 精確 100.0%

10 / 10 適用

用對工具召回

tool_usage

100.0%

[100.0% – 100.0%] · n=10

F1 100.0% · 召回 100.0% · 精確 100.0%

10 / 10 適用

答得到位平均

answer_quality

53.3%

[41.3% – 64.7%] · n=10

10 / 10 適用

II. RUN ECONOMICS

本次 Run 的 LLM 成本概覽

Judge 總成本（USD） $0.0119 27 次 judge 呼叫

Judge 總 Token 數 93,729 輸入 88,472 · 輸出 5,257

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	$0.0472 335,413 tokens · 132 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	$0.0119 93,729 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）	12	26,409	1,795	$0.0041
回答品質（answer_quality）	15	62,063	3,462	$0.0078
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。

01

early_return 情境

0.0% n=3 最低 sub_metric： scenario_precision
02

轉接真人客服情境

0.0% n=1 最低 sub_metric： scenario_precision
03

轉接真人客服忠實度

0.0% n=1 最低 sub_metric： rule_compliance

IV. DEEP DIVE

全段詳細數據

# 兩項目評估報告

- **EvalRun**: #66（suite #34 `auto-b37aafaf-r1-053958364`）
- **Target**: #2 production-canary
- **Cases**: 15（N=1, attempts=15/15）
- **Generated**: 2026-05-16T13:16:39+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**: 11 / 15 (73.3%)
- 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 | 11 / 11 | ❌ 0.0% | — |
| 轉接真人客服 | 0 / 1 | — | — |


## 待修方向（worst-3）

1. **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 | 15 | 100.0% |
| Step 1: scenario_routing | 11 | 73.3% |
| Step 2: + tool_calling   | 11 | 73.3% |
| Step 3: + answer         | 1 | 6.7% |


## 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 (11) | ✅ 11/11 (100.0%) | ✅ 11/11 (100.0%) | ❌ 1/11 (9.1%) | ❌ 1/11 (9.1%) |
| 轉接真人客服 (1) | ❌ 0/1 (0.0%) | ❌ 0/1 (0.0%) | ❌ 0/1 (0.0%) | ❌ 0/1 (0.0%) |


## Drop-off 最大的 5 個 scenario

1. **early_return** drop at step1 (-100.0pp)
2. **轉接真人客服** drop at step1 (-100.0pp)
3. **知識與產品查詢** drop at step3 (-90.9pp)

---

## Audit

Reproduce combined report: `bin/rails runner "puts Eval::EvaluationReport.call(run: EvalRun.find(66))"`
Or fetch each item separately:
- `bin/rails runner "puts Eval::KbAccuracyReport.call(run: EvalRun.find(66))"`
- `bin/rails runner "puts Eval::ScenarioFunnelReport.call(run: EvalRun.find(66))"`


---

# Per-Scenario × Per-Dim — Run #66

Suite: **Alife 智能社群經理 (bulk R1)** · scenarios: 3 · dims: 5 · populated cells: 10/15

| Scenario | Scenario | Tool | Retrieval | Faith | AnsQ |
| --- | --- | --- | --- | --- | --- |
| early_return | 0.0% [0.0–0.0] (n=3) | 33.3% [0.0–100.0] (n=3) | — | — | 43.3% [26.7–63.3] (n=3) |
| 知識與產品查詢 | 100.0% [100.0–100.0] (n=11) | 100.0% [100.0–100.0] (n=11) | — | 9.1% [0.0–27.3] (n=11) | 50.9% [39.4–61.8] (n=11) |
| 轉接真人客服 | 0.0% (n=1) | — | — | 0.0% (n=1) | 26.7% (n=1) |

## Worst-3 cells (lowest primary score)

1. **early_return** × **Scenario** · 0.0% (n=3) · lowest sub_metric: `scenario_precision`
2. **轉接真人客服** × **Scenario** · 0.0% (n=1) · lowest sub_metric: `scenario_precision`
3. **轉接真人客服** × **Faith** · 0.0% (n=1) · lowest sub_metric: `rule_compliance`

兩項目評估報告

EvalRun: #66（suite #34 auto-b37aafaf-r1-053958364）
Target: #2 production-canary
Cases: 15（N=1, attempts=15/15）
Generated: 2026-05-16T13:16:39+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: 11 / 15 (73.3%)
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	11 / 11	❌ 0.0%	—
轉接真人客服	0 / 1	—	—

待修方向（worst-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	15	100.0%
Step 1: scenario_routing	11	73.3%
Step 2: + tool_calling	11	73.3%
Step 3: + answer	1	6.7%

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 (11)	✅ 11/11 (100.0%)	✅ 11/11 (100.0%)	❌ 1/11 (9.1%)	❌ 1/11 (9.1%)
轉接真人客服 (1)	❌ 0/1 (0.0%)	❌ 0/1 (0.0%)	❌ 0/1 (0.0%)	❌ 0/1 (0.0%)

Drop-off 最大的 5 個 scenario

early_return drop at step1 (-100.0pp)
轉接真人客服 drop at step1 (-100.0pp)
知識與產品查詢 drop at step3 (-90.9pp)

Audit

Reproduce combined report: bin/rails runner "puts Eval::EvaluationReport.call(run: EvalRun.find(66))" Or fetch each item separately:

bin/rails runner "puts Eval::KbAccuracyReport.call(run: EvalRun.find(66))"
bin/rails runner "puts Eval::ScenarioFunnelReport.call(run: EvalRun.find(66))"

Per-Scenario × Per-Dim — Run #66

Suite: Alife 智能社群經理 (bulk R1) · scenarios: 3 · dims: 5 · populated cells: 10/15

Scenario	Scenario	Tool	Retrieval	Faith	AnsQ
early_return	0.0% [0.0–0.0] (n=3)	33.3% [0.0–100.0] (n=3)	—	—	43.3% [26.7–63.3] (n=3)
知識與產品查詢	100.0% [100.0–100.0] (n=11)	100.0% [100.0–100.0] (n=11)	—	9.1% [0.0–27.3] (n=11)	50.9% [39.4–61.8] (n=11)
轉接真人客服	0.0% (n=1)	—	—	0.0% (n=1)	26.7% (n=1)

Worst-3 cells (lowest primary score)

early_return × Scenario · 0.0% (n=3) · lowest sub_metric: scenario_precision
轉接真人客服 × Scenario · 0.0% (n=1) · lowest sub_metric: scenario_precision
轉接真人客服 × Faith · 0.0% (n=1) · lowest sub_metric: rule_compliance