KeyFrame內部研究專用

从零搭建Agent自动化评估体系

白白说大模型9 min中文
觀看原始影片

三句話摘要

從零開始搭建 Agent 自動化評估體系,解決不確定性下的質量保障問題。 前期投入時間建立完善的自動化評估體系雖似乎拖慢上線節奏,但能有效避免線上事故並大幅降低後續調試成本,從長期看是最划算的投資。 Agent 與傳統軟體本質不同。傳統軟體是確定性系統,輸入固定結果固定;Agent 則像一位思維活躍的員工,同樣問題每次回答可能不同,導致傳統測試方法完全失效,需要建立動態質量標準。

重點整理

  1. Agent 與傳統軟體本質不同。傳統軟體是確定性系統,輸入固定結果固定;Agent 則像一位思維活躍的員工,同樣問題每次回答可能不同,導致傳統測試方法完全失效,需要建立動態質量標準。

  2. 四層框架實現全流程自動化評估。輸入層需建立規範全面的測試樣本庫(覆蓋核心場景、邊界情況、常見問題);執行層要多輪重複運行並完整保存過程日誌;產出層將零散結果統一結構化;評卷層將評分規則轉化為代碼和模型判定。

  3. 區分客觀與主觀任務的評分方式。客觀任務(如計算、標準問答)用代碼直接判定,精準快速;主觀任務(如寫文案、方案設計)用精度更高的大模型評判,並要求詳細打分理由,實現可追溯可解釋。

  4. 多輪統計勝過單次結果。通過統計整體成功率來抵消模型的隨機波動,避免被偶然正確結果誤導,確保版本穩定性判定的可靠性。

實用技巧與重點

  • 四層評估框架層級:輸入層 → 執行層 → 產出層 → 評卷層
  • 執行層的重複執行次數:至少 5 次
  • 客觀任務評分方式:代碼判定(正則匹配、關鍵詞命中、邏輯斷言)
  • 主觀任務評分維度:合規性、準確性、完整性、專業性、流暢度(共 5 個維度)
  • 必須保存的數據:最終回答、工具執行情況、運行耗時、報錯信息、超時記錄、思考過程、工具調用記錄、傳入參數、對話上下文
  • 客觀任務優勢:精準、零誤差、速度快(一秒判幾百條)

結論

前期投入時間建立完善的自動化評估體系雖似乎拖慢上線節奏,但能有效避免線上事故並大幅降低後續調試成本,從長期看是最划算的投資。

完整解析

Agent 系統的核心挑戰在於其輸出的內在隨機性。與傳統軟體系統不同,Agent 的行為更像一位思維活躍的員工而非確定性機器——同一個問題可能產生十種不同的答案。這種不確定性帶來了實實在在的業務風險:輕則隨機出錯導致效果參差不齊,重則直接造成線上事故。因此,建立一套標準化的評估流程成為保障質量的必要手段。

傳統軟體測試的「一次成功即可發佈」的邏輯在 Agent 領域完全失效。我們需要將評估拆解成四個標準環節,逐步實現自動化。輸入層的第一步是建立規範全面的測試樣本庫,涵蓋核心業務場景、邊界情況、常見使用者提問等,樣本的豐富性與代表性直接決定了評估結果的可靠性。執行層是最關鍵的區別所在:不再相信單次結果,而是每條測試用力重複執行多次(如 5 次),統計整體成功率。同時必須完整保存所有過程日誌,包括思考鏈路、工具調用記錄、傳入參數、上下文等,這些都是後續排查問題的關鍵資料。

產出層將零散的測試日誌統一整理成結構化數據,包含最終回答、工具執行情況、運行耗時、報錯信息與超時記錄。這一步消除了人工整理的誤差,為後續自動評分提供完整可靠的數據支撐。評卷層則是完全摒棄人工打分,將所有評分規則轉化為自動化邏輯。對於有標準答案的客觀任務(計算、查詢),直接用正則匹配、關鍵詞命中、邏輯斷言等技術編寫評分代碼,實現精準零誤差、速度特別快的批量評估。對於沒有唯一正確答案的主觀任務(寫文案、方案設計),則用精度更高的大模型進行評判,同時要求給出詳細理由,確保評分的可追溯性與公正性。

實際運用中會遇到三個普遍的難題。結果波動源於模型內在的隨機性,導致昨天通過今天失敗,難以判斷是代碼變更還是模型隨機波動。解決方法是看概率不看單詞,用多輪測試的整體成功率代替單次結果判斷。標準缺失指生成式任務缺乏唯一答案,人工評估主觀偏差大。破局之道是分層打分、量化維度,所有主觀任務都從合規性、準確性、完整性、專業性、流暢度五個維度評分。故障難排查源於 Agent 推理鏈路複雜不透明。關鍵是完整追溯過程數據,回溯每一步的推理、調用與決策,精準定位根源問題。

8 min
AI 技術中文11月17日

Muse AI 国内注册方法来了!无需排队、无需信用卡,全程免费!

一路向前看原片 ↗
  • IP環境是核心要素:乾淨的住宅IP搭配日本節點能大幅提升註冊成功率,講者稱日本節點「幾乎秒過」,可選美國但成功率較低。
  • 全新郵箱是必要條件:系統會記錄每個郵箱的註冊歷程,曾排隊或卡在信用卡驗證的信箱會直接失敗,必須使用全新未註冊過的郵箱才能完全規避之前的失敗記錄。
AI 技術中文11月17日

Meta 改写 K-Means,训练轮次降到十分之一​ | K-Means | e-means | Meta FAIR | 聚类算法 | 向量检索 | Faiss | DINO10B | 向量数据库

Best Partners TV看原片 ↗
  • 從累加到衰減的中心維護:傳統小批量更新會累積歷史統計量造成早期分配記錄長期影響,而 e-Means 用指數移動平均使新分配能即時調整中心,早先統計逐漸失效,避免陷入次優解。
  • 死簇復活機制是關鍵改進:消融實驗顯示這項改動影響最大,透過每 5 批次檢查樣本不足的中心,從較大簇拆分一半重新安排,將樣本不足 10 個的中心比例從 26.3% 降到 0.3%。
AI 技術英文11月17日

Goal Engineering - The New Buzzword

Prompt Engineering看原片 ↗
  • 長期開放式目標中最難提供的上下文不是文件或 API,而是人類的判斷力與品味。傳統的檔案查詢或技術規格是相對容易部分,真正瓶頸在於定義「什麼是好的結果」。
  • Actively AI 初期採用單一代理處理多種任務類型失敗,因為人類審查者必須在十種不同的任務格式間切換心智模式,造成效率低落。重新架構為多個專一代理後,人類可在相同心智模式下快速連續審查。