EVAL RUN · 評估報告 回到執行

#83 兩項目評估報告

auto-28c6cc65-r1-053958546 production-baseline 產製於 05月16日 13:16

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
50.0%
[20.0% – 80.0%] · n=10
F1 16.7% · 相關率 17.1% · 精確 60.0%
10 / 10 適用 · 3 提示
不亂編造 平均
faithfulness
60.0%
[30.0% – 85.0%] · n=10
10 / 10 適用
答得到位 平均
answer_quality
91.3%
[80.3% – 98.7%] · 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
90.0%
[70.0% – 100.0%] · n=10
F1 76.7% · 召回 90.0% · 精確 70.0%
10 / 10 適用
用對工具 召回
tool_usage
10.0%
[0.0% – 30.0%] · n=10
F1 16.7% · 召回 15.0% · 精確 90.0%
10 / 10 適用
答得到位 平均
answer_quality
65.7%
[44.0% – 83.0%] · n=10
10 / 10 適用
II. RUN ECONOMICS

本次 Run 的 LLM 成本概覽

Judge 總成本（USD） $0.0246 74 次 judge 呼叫
Judge 總 Token 數 191,756 輸入 180,237 · 輸出 11,519
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 $0.0551
372,752 tokens · 196 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 $0.0246
191,756 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） 29 58,208 4,871 $0.0094
回答品質（answer_quality） 30 111,332 6,228 $0.0133
檢索相關性（retrieval_relevance） 15 10,697 420 $0.0019
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
    商品缺貨 檢索
    0.0% n=2 最低 sub_metric： products_source_recall
  2. 02
    商品缺貨 工具使用
    0.0% n=2 最低 sub_metric： tools_recall
  3. 03
    商品與訂單不符 工具使用
    0.0% n=2 最低 sub_metric： tools_recall
IV. DEEP DIVE

全段詳細數據

兩項目評估報告

  • EvalRun: #83（suite #49 auto-28c6cc65-r1-053958546）
  • Target: #1 production-baseline
  • Cases: 30（N=1, attempts=30/30）
  • Generated: 2026-05-16T13:16:19+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: 10 / 30 (33.3%)
  • 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
知識與產品查詢 10 / 10 ❌ 35.5% ⚪ 60.0%

待修方向（worst-3）

  1. 知識與產品查詢 × retrieval_relevance = 35.5% — 撈到的 KB chunks 不夠相關 — KB content gap，跟 Neptune team 提 enrichment
  2. 知識與產品查詢 × answer_correctness = 60.0% — 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 5 25.0%
Step 2: + tool_calling 5 25.0%
Step 3: + answer 3 15.0%

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%)
修改/取消訂單 (2) ❌ 0/2 (0.0%) ❌ 0/2 (0.0%) ❌ 0/2 (0.0%) ❌ 0/2 (0.0%)
出貨進度查詢 (2) ⚪ 1/2 (50.0%) ⚪ 1/2 (50.0%) ❌ 0/2 (0.0%) ❌ 0/2 (0.0%)
商品度數買錯 (1) ✅ 1/1 (100.0%) ✅ 1/1 (100.0%) ✅ 1/1 (100.0%) ✅ 1/1 (100.0%)
商品瑕疵退換貨 (1) ❌ 0/1 (0.0%) ❌ 0/1 (0.0%) ❌ 0/1 (0.0%) ❌ 0/1 (0.0%)
商品缺貨 (2) ⚪ 1/2 (50.0%) ⚪ 1/2 (50.0%) ⚪ 1/2 (50.0%) ⚪ 1/2 (50.0%)
商品與訂單不符 (2) ⚪ 1/2 (50.0%) ⚪ 1/2 (50.0%) ⚪ 1/2 (50.0%) ⚪ 1/2 (50.0%)
知識與產品查詢 (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. early_return drop at step1 (-100.0pp)
  2. 修改/取消訂單 drop at step1 (-100.0pp)
  3. 商品瑕疵退換貨 drop at step1 (-100.0pp)
  4. 知識與產品查詢 drop at step3 (-100.0pp)
  5. 出貨進度查詢 drop at step1 (-50.0pp)

Audit

Reproduce combined report: bin/rails runner "puts Eval::EvaluationReport.call(run: EvalRun.find(83))" Or fetch each item separately:

  • bin/rails runner "puts Eval::KbAccuracyReport.call(run: EvalRun.find(83))"
  • bin/rails runner "puts Eval::ScenarioFunnelReport.call(run: EvalRun.find(83))"

Per-Scenario × Per-Dim — Run #83

Suite: CHA CHA AI 小編 🤖 (bulk R1) · scenarios: 8 · dims: 5 · populated cells: 40/40

Scenario Scenario Tool Retrieval Faith AnsQ
early_return 0.0% [0.0–0.0] (n=9) 0.0% (n=1) 12.5% [0.0–37.5] (n=8) 43.8% [12.5–75.0] (n=8) 74.1% [54.1–91.1] (n=9)
修改/取消訂單 100.0% [100.0–100.0] (n=2) 0.0% [0.0–0.0] (n=2) 0.0% [0.0–0.0] (n=2) 100.0% [100.0–100.0] (n=2) 60.0% [43.3–76.7] (n=2)
出貨進度查詢 50.0% [0.0–100.0] (n=2) 50.0% [0.0–100.0] (n=2) 0.0% [0.0–0.0] (n=2) 33.3% [0.0–66.7] (n=2) 53.3% [26.7–80.0] (n=2)
商品度數買錯 100.0% (n=1) 0.0% (n=1) 0.0% (n=1) 100.0% (n=1) 86.7% (n=1)
商品瑕疵退換貨 100.0% (n=1) 0.0% (n=1) 0.0% (n=1) 0.0% (n=1) 93.3% (n=1)
商品缺貨 100.0% [100.0–100.0] (n=2) 0.0% [0.0–0.0] (n=2) 0.0% [0.0–0.0] (n=2) 50.0% [0.0–100.0] (n=2) 95.0% [90.0–100.0] (n=2)
商品與訂單不符 100.0% [100.0–100.0] (n=2) 0.0% [0.0–0.0] (n=2) 0.0% (n=1) 100.0% [100.0–100.0] (n=2) 80.0% [60.0–100.0] (n=2)
知識與產品查詢 100.0% [100.0–100.0] (n=11) 45.5% [18.2–72.7] (n=11) 45.5% [18.2–72.7] (n=11) 54.5% [27.3–81.8] (n=11) 83.0% [63.6–97.3] (n=11)

Worst-3 cells (lowest primary score)

  1. 商品缺貨 × Retrieval · 0.0% (n=2) · lowest sub_metric: products_source_recall
  2. 商品缺貨 × Tool · 0.0% (n=2) · lowest sub_metric: tools_recall
  3. 商品與訂單不符 × Tool · 0.0% (n=2) · lowest sub_metric: tools_recall