AI图鉴

AI图鉴首页 › AI 资讯 › 你怎么评价一个AI Agent?任务、轨迹、可靠性和成本

你怎么评价一个AI Agent?任务、轨迹、可靠性和成本

来源:Unite.AI · 发布时间:11-04 · 由 AI图鉴每小时自动聚合

评价AI agent需要的不仅仅是检查其最终答案。 强压测量结果,检查轨迹,重复试验,测试安全界限

AI 基本要素

你怎么评价一个AI Agent?任务、轨迹、可靠性和成本

评价AI agent需要的不仅仅是检查其最终答案。 强电压测量结果,检查轨迹,重复试验,测试安全界限,跟踪完成可靠工作的成本。

在 Google 上的首选来源中添加 Unite.AI

评价AI agent意味着测试它是否可靠地完成具有代表性的任务,遵循可接受的路径,尊重其边界,并产生足够的成本价值。 单靠一个最后的答案是不够的,因为agent可以通过不安全的行动,不支持的声称,过度的重复,或者运气来达到一个可信的结果。

Agent评价很困难,因为系统在一段时间内运作。 该模型选择工具,观察不断变化的环境,并可能在每次运行中采取不同的路线。 因此,有效的评估衡量反复试验的结果和轨迹。

Agent Evals 词汇表

Anthropic的解密agent评价指南提供了一套有用的术语:

- 任务:一个具有客观、环境、投入和成功标准的试验案例。

- 审判:agent试图完成一项任务。

- 记录或轨迹:审判期间的信息、决定、工具呼叫、观察和行动顺序。

- 年级:规则,程序,模型,或者对部分性能进行评分的人。

- 评价的利用:环境准备、试验、收集痕迹、引用分级器和报告结果的系统。

保持这些概念的分离可以防止一个常见的错误:将一个成功的演示作为agent会可靠表现的证据。

以清晰的任务规格开始

一个有用的评价任务描述了初始状态,可用的工具,制约因素,预期结果,以及重要的被禁止的行为。 测试应该像真正的工作而不透露一个单一的脚本路径。

对agent的支持来说,“解决罚单”太模糊了。 一项更强有力的任务规定了客户的记录、适用的政策、允许的补救办法、必要的沟通,以及记录制度中必须出现哪些变化。 然后可以客观地进行分级。

Agent评价的四层

这些层次在报告方面应分开。 把它们合并成一个平均值可以隐藏不可接受的行为——例如,任务成功率高,掩盖了经常未经授权的工具尝试。 团队可以先定义硬安全门,然后在经过这些门的运行中比较结果质量和效率。

1. 结果质量

agent是否实现了目标?结果分级者可以检查确切的状态变化,需要的字段,测试结果,事实准确性,引用支持,或者基于字段的质量。

在可能的情况下,使用环境的最终状态,而不是agent自己的索赔。 一个编码的agent没有成功,因为这个bug是固定的称;相关的测试和行为必须确认它。

2. 轨迹质量

agent有没有走声音路径?轨迹评价可以发现不必要的数据访问,被禁止的工具,重复的失败,跳过核查,捏造的观察,或违反批准规定。

并非每个偏离引用路径都是错误。 Agents可以找到评估者没有预料到的有效解决方案。 年级生应强制执行真正的要求,同时允许其他高效办法。

3. 遵守安全和政策

agent是否在它的职权范围内?测试应包括提示词注入,相互矛盾的指示,敏感数据,模糊的用户意图,以及需要拒绝或升级的请求。

安全阀需要现实的后果在沙盒。 如果 agent 已经发送消息,更改记录,或者披露数据,那么符合政策的句子是不够的。

4. 业务效率

成功需要多少时间和金钱?轨迹模型标志,工具调用,时钟空闲,重试,人类干预,以及外部服务成本。 在100个不必要的动作后成功的agent可能不如简单的工作流程有用。

使用多个年级类型

决定分级器检查准确的属性:是否通过测试,文件是否正确更改,数据库字段有需要的值,或者使用禁止的终点。 它们速度快,一致,但只涵盖开发者编码的内容。

基于模型的分级者评价清晰度,完整性,相关性,遵守细化标准等品质。 它们的规模比人类审查要好,但需要自己的验证,因为它们可能带有偏见或不一致。

人类分级对于专家判断,模棱两可的案件,以及验证自动化分级器都很重要。 它们的速度较慢,费用也比较昂贵,因此团队经常将它们用于样本,分歧,以及影响大的领域。

最强的评价套件结合了这些办法。 OpenAI的Evals平台同样将评价视为定义测试,分级和重复实验的结构化过程,而不是非正式的检查。

可靠性要求重复审判

运行每个任务的时间足够多,以观测来自采样,变化的工具和环境状态的变异性。 报告平均业绩和严重失败的频率。 对于由几个依附步骤制成的工作流程,每步精确度可以看起来很强,而端到端的可靠性仍然很弱,因为一次失败就足以使整个任务脱轨。

Agent行为是概率论。 同样的任务可以产生不同的计划,工具调用,以及结果。 多次运行每个重要任务并报告通过率或得分分布,而不仅仅是最佳的例子。

两项可靠性措施回答了不同的问题:

- Pass@k:至少一次K尝试成功的可能性。 在可接受多种尝试时,这是有用的。

- Pass^k:所有 k 尝试都成功的概率。 这反映了每次运行必须奏效时的一致性。

一个系统可以有一个有吸引力的通过@k,同时仍然不适合自动操作,因为单个运行是不可靠的。

构建一个代表任务集

从真正的失败和共同的生产要求开始。 包括直截了当的任务,困难的边缘案例,模棱两可的投入,工具错误,陈旧的数据,缺失的信息,以及对抗性的内容。

按任务类型和风险分列的部分结果。 总体平均数可以掩盖财务行动、长期任务或特定应用方面的严重弱点。 保留一个被搁置的套件,这样反复的即时调试不会把评价套件变成培训套件。

评估环境,而不仅仅是模型

agent的性能取决于工具定义,权限,内存,上下文管理,用户界面,网络行为,以及管弦乐。 一个模型升级可以减少一个错误,同时暴露另一个错误。

每次运行所用的整个堆栈版本。 记录模型,提示,工具,数据快照,环境,预算和分级器版本。 否则,分数变化不能追溯到有意义的事业。

常见的评价错误

数据泄露是另一个风险。 如果基准测试任务,预期答案,或分级器模式出现在模型的训练数据或即时上下文中,则分数可以衡量识别而不是概括。 维护私人搁置任务,在系统变化时刷新案例,并记录每个运行所使用的准确模型,即时,工具版本和环境。

——Demo驱动的评价:在看到agent表现良好后选择任务。

- 最后只回答的评分:忽略不安全或浪费的轨迹。

- 单一运作的结论:将幸运的成功视为稳定的能力。

- 低空测试:将答案或参考轨迹置于agent的背景中。

- 未认证的模型分级员:假定自动法官正确而不检查与专家的协议。

- 静态环境:测试一个接口、账户状态或数据安排。

- 不进行负面测试:在没有检查agent是否拒绝或适当升级的情况下测量任务完成情况。

- 忽视经济学:优化成功,而成本和延迟则无法使用。

从离线Evals到生产监测

离线评价得到控制和可重复。 它们对于在发布前比较提示、模型、工具和政策是十分理想的。 生产监测揭示实际用户行为和环境变化的长尾。

一个成熟的程序将两者联系起来。 事件和低信心生产痕迹成为新的离线任务。 候选人更改必须通过回归套件。 部署后,小组将观察任务的成功率、干预率、政策活动、工具错误、成本、耐久性和用户反馈。

实用 Agent 计分卡

记分卡应区分硬门和优化度量衡。 政策遵守情况、授权和所需证据可以是过关或故障;准确性、延迟性、成本和审阅员的努力可以比较为可接受的运行。 这使得各队无法以微小的效率收益换取平均得分会掩盖的安全回归。

有用的记分卡可包括:

- 任务成功率和质量分数;

- 重复审判的一致性;

- 重大政策违规率;

- 工具选择和论据准确性;

- 工具故障或环境故障后的回收率;

- 人员升级和超速率;

- 中位点和尾端纬度;

- 模式、工具和人力成本;

- 轨迹效率与合理基线相比。

报告每项成功任务的成本,而不仅仅是每次运行的成本。 一次又一次失败的廉价agent比一次成功得力的更昂贵。

AI Agent如何评价?

Agent评价是在现实条件下测试完整的目标定向系统的学科。 它衡量作品是否正确,路径是否可接受,行为是否可重复,经济学是否合理。

开始完成一系列相应的小任务,进行多次试验,分层分级,并完成轨迹。 然后将每一个有意义的生产失败都变成回归测试。 Agent能力迅速变化;持久的评价系统是团队如何区分真正的进展和有说服力的演示。

本文由 AI图鉴自动抓取并翻译,版权归原作者所有;如需查看原文请点下方链接。

相关 AI 工具

相关免费羊毛

同源资讯

阅读原文(unite.ai)

标题、摘要与正文均来自该信源的公开页面,版权归原作者所有;本站自动聚合与翻译,仅作出处跳转。

← 返回 AI 资讯列表AI工具图鉴首页

返回 AI图鉴首页 · 提交工具 · 商务合作 · 关于本站 · 609 款 AI 工具分类导航 · 每日 AI 热门项目与动态