知识点思维导图
16 个知识节点
可观测性（05） - 离线评测、在线评测与 Agent 轨迹验收
读完后，你应能完成以下任务：
- 绘制“可观测性（05） - 离线评测、在线评测与 Agent 轨迹验收 / Dataset 怎么建”的关键对象与数据流，解释“每条样本包含输入、期望行为、允许变化、标签和来源。”，并用源码位置、日志或 Trace 标注证据。
- 为“可观测性（05） - 离线评测、在线评测与 Agent 轨迹验收 / Evaluator 要匹配任务”设计正常与异常输入，验证“Exact Match、Schema、单元测试：适合确定性输出和代码。”，输出首个偏差位置与回归测试结果。
- 实现“可观测性（05） - 离线评测、在线评测与 Agent 轨迹验收 / Agent 轨迹验收”的最小代码或配置，检验“最终成功率之外，还要检查 Tool 选择、参数、顺序、重试次数、权限拒绝、预算和终止原因。”，输出命令、结果与 Diff，并说明不适用边界。
最终答案正确不代表过程可靠。Agent 可能调用了越权工具、走了昂贵路径，或只是在一次随机运行中碰巧成功。
核心知识清单
- Example Inputs、Reference Outputs 与 Dataset Version
- 人工精选、生产 Trace、常见失败与 Synthetic Data
- Exact Match、代码测试、规则、LLM Judge 与 Human Evaluation
- Reference-based、Reference-free 与 Pairwise
- Offline Evaluation、Online Evaluation 与 Baseline
- Agent 最终状态、Trajectory、Tool 与 Environment State
- Trial 重置、重复运行、置信区间与回归门禁
一、先建立全局：离线评测、在线评测与 Agent 轨迹验收 是什么？
理解“离线评测、在线评测与 Agent 轨迹验收”，先要把标题中的对象放进同一条处理链：它接收什么输入，经过哪些状态变化，最终用什么证据判断结果。下表不另造概念，只把作者正文已经解释的章节按依赖顺序连起来。
“离线评测、在线评测与 Agent 轨迹验收”的第一个核心判断是：每条样本包含输入、期望行为、允许变化、标签和来源。。先弄清这个判断中的对象和输入输出，后面的实现、故障和验收才有共同语境。
| 顺序 | 章节 | 读完本节应抓住的结论 |
|---|---|---|
| 1 | Dataset 怎么建 | 每条样本包含输入、期望行为、允许变化、标签和来源。 |
| 2 | Evaluator 要匹配任务 | Exact Match、Schema、单元测试：适合确定性输出和代码。 |
| 3 | Agent 轨迹验收 | 最终成功率之外，还要检查 Tool 选择、参数、顺序、重试次数、权限拒绝、预算和终止原因。 |
| 4 | Example Inputs、Reference Outputs 与 Dataset Version | 线上失败经脱敏、去重和人工确认后进入 Dataset， |
| 5 | 人工精选、生产 Trace、常见失败与 Synthetic Data | 在线评测通过采样 Trace 发现分布漂移和新失败。 |
| 6 | Exact Match、代码测试、规则、LLM Judge 与 Human Evaluation | Human Evaluation：用于高风险、主观或 Judge 校准样本。 |
1.1 核心对象之间怎样衔接
flowchart LR
S1["Dataset 怎么建"] --> S2
S2["Evaluator 要匹配任务"] --> S3
S3["Agent 轨迹验收"] --> S4
S4["Example Inputs、Reference Outputs 与 Dataset Version"] --> S5
S5["人工精选、生产 Trace、常见失败与 Synthetic Data"]
这张图只表达本文的讲解顺序，不替代正文机制。判断“离线评测、在线评测与 Agent 轨迹验收”是否真正掌握，需要能从最后一个结果沿图回到前面每个章节的输入、状态变化和证据。
1.2 再看失败：问题最早会出现在哪一步？
在“离线评测、在线评测与 Agent 轨迹验收”的对象和顺序已经明确后，再看可观察的失败：文本直通执行、状态不可重放或重试重复写入。定位时不从最后一条错误猜原因，而是沿上图找第一个偏离正文结论的节点。
二、Dataset 怎么建
每条样本包含输入、期望行为、允许变化、标签和来源。 抽取与分类可给 Reference Output； 开放问答更适合关键事实、引用或 Rubric。 样本覆盖正常、边界、攻击和历史事故，并按用户或文档来源切分，防止数据泄漏。
Dataset 需要不可变版本。 Prompt、模型、Retriever、索引和代码版本共同标识一次 Experiment， 否则结果无法复现。
三、Evaluator 要匹配任务
- Exact Match、Schema、单元测试：适合确定性输出和代码。
- Reference-based Judge：比较候选与参考事实，但参考答案可能不完备。
- Reference-free Judge：按安全、清晰、引用等 Rubric 评分。
- Pairwise：在同一样本上比较候选与 Baseline，减少绝对分漂移。
- Human Evaluation：用于高风险、主观或 Judge 校准样本。
Judge 一次只评一个维度，输出结构化理由和证据； 定期与人工标注计算一致性，发现位置偏好、长度偏好和自我偏好。
四、Agent 轨迹验收
最终成功率之外，还要检查 Tool 选择、参数、顺序、重试次数、权限拒绝、预算和终止原因。 测试前重置数据库、文件和外部模拟状态，确保 Trial 独立。 对随机 Agent 重复运行，报告均值、失败分布和置信区间，而不是展示最好的一次。
离线评测阻断回归； 在线评测通过采样 Trace 发现分布漂移和新失败。 线上失败经脱敏、去重和人工确认后进入 Dataset， 修复通过离线回归、灰度和在线指标后再扩大流量。
五、动手验证：先跑通 离线评测、在线评测与 Agent 轨迹验收，再改变一个变量
前面的章节已经建立问题、概念和机制。现在把“离线评测、在线评测与 Agent 轨迹验收”放进同一套基线中运行；本节不再引入新术语，只验证前文结论能否被复现。
5.1 基线与候选只允许一个变量不同
验证“离线评测、在线评测与 Agent 轨迹验收”时，先固定工具 Schema、身份、畸形参数、超时和重复请求。候选方案只能改变本次要验证的变量；如果同时更换数据、依赖和配置，即使结果改善，也不能知道是哪一项产生作用。
执行“离线评测、在线评测与 Agent 轨迹验收”时，动作是：回放决策到执行链路，覆盖失败、重试、暂停和恢复。原始结果不能只保留截图或汇总分数，必须同步保存：模型提议、校验、授权、幂等键、状态迁移、Trace，使下一次复查可以在同一输入上重放。
| 实验要素 | 本文要求 |
|---|---|
| 固定条件 | 工具 Schema、身份、畸形参数、超时和重复请求 |
| 唯一变量 | 本次候选方案与基线之间的一项明确差异 |
| 原始证据 | 模型提议、校验、授权、幂等键、状态迁移、Trace |
| 通过阈值 | 模型只提议；执行受代码约束；失败不重复副作用 |
| 立即停止 | 文本直通执行、状态不可重放或重试重复写入 |
5.2 执行前先排除不可比较条件
“离线评测、在线评测与 Agent 轨迹验收”开始前先确认下面四项；任一项不成立，都应先修复实验条件，而不是解释结果。
- 基线能够在“离线评测、在线评测与 Agent 轨迹验收”的当前环境重复运行。
- 候选只改变一个与“离线评测、在线评测与 Agent 轨迹验收”结论直接相关的条件。
- “离线评测、在线评测与 Agent 轨迹验收”的基线和候选使用同一批输入、同一版本依赖与同一通过阈值。
- “离线评测、在线评测与 Agent 轨迹验收”的原始输出和失败现场不会被重试、格式化或汇总覆盖。
5.3 执行后先核对证据完整性
结果出来后先检查证据，再讨论“离线评测、在线评测与 Agent 轨迹验收”是否通过。缺少中间状态时，最终输出只能说明现象，不能证明机制。
| 检查项 | 当前文章的判定 |
|---|---|
| 输入可追溯 | 工具 Schema、身份、畸形参数、超时和重复请求 |
| 过程可回放 | 回放决策到执行链路，覆盖失败、重试、暂停和恢复 |
| 结果可审计 | 模型提议、校验、授权、幂等键、状态迁移、Trace |
“离线评测、在线评测与 Agent 轨迹验收”的一次合格基线对照按以下顺序执行：
- 保存“离线评测、在线评测与 Agent 轨迹验收”基线版本及输入摘要，确认基线本身可以重复运行。
- 写下“离线评测、在线评测与 Agent 轨迹验收”候选方案唯一变化的变量，以及它预期影响的指标。
- 在同一环境执行“离线评测、在线评测与 Agent 轨迹验收”：回放决策到执行链路，覆盖失败、重试、暂停和恢复。
- 为“离线评测、在线评测与 Agent 轨迹验收”保存：模型提议、校验、授权、幂等键、状态迁移、Trace。
- 使用“离线评测、在线评测与 Agent 轨迹验收”预登记条件判断：模型只提议；执行受代码约束；失败不重复副作用。
- 如果“离线评测、在线评测与 Agent 轨迹验收”未通过，不修改第二个变量，先恢复基线并保留失败现场。
六、用一张矩阵验证 离线评测、在线评测与 Agent 轨迹验收 的关键结论
矩阵按正文顺序列出“离线评测、在线评测与 Agent 轨迹验收”的结论。一次实验只选择一行，只改变这一行对应的条件；不要把多行合并成一个无法归因的大实验。
| 正文章节 | 已解释的结论 | 本轮唯一变量 | 必须保存的证据 |
|---|---|---|---|
| Dataset 怎么建 | 每条样本包含输入、期望行为、允许变化、标签和来源。 | 只改变与“Dataset 怎么建”相关的条件 | 模型提议、校验、授权、幂等键、状态迁移、Trace |
| Evaluator 要匹配任务 | Exact Match、Schema、单元测试：适合确定性输出和代码。 | 只改变与“Evaluator 要匹配任务”相关的条件 | 模型提议、校验、授权、幂等键、状态迁移、Trace |
| Agent 轨迹验收 | 最终成功率之外，还要检查 Tool 选择、参数、顺序、重试次数、权限拒绝、预算和终止原因。 | 只改变与“Agent 轨迹验收”相关的条件 | 模型提议、校验、授权、幂等键、状态迁移、Trace |
| Example Inputs、Reference Outputs 与 Dataset Version | 线上失败经脱敏、去重和人工确认后进入 Dataset， | 只改变与“Example Inputs、Reference Outputs 与 Dataset Version”相关的条件 | 模型提议、校验、授权、幂等键、状态迁移、Trace |
| 人工精选、生产 Trace、常见失败与 Synthetic Data | 在线评测通过采样 Trace 发现分布漂移和新失败。 | 只改变与“人工精选、生产 Trace、常见失败与 Synthetic Data”相关的条件 | 模型提议、校验、授权、幂等键、状态迁移、Trace |
| Exact Match、代码测试、规则、LLM Judge 与 Human Evaluation | Human Evaluation：用于高风险、主观或 Judge 校准样本。 | 只改变与“Exact Match、代码测试、规则、LLM Judge 与 Human Evaluation”相关的条件 | 模型提议、校验、授权、幂等键、状态迁移、Trace |
6.1 记录本次实际实验
下面的记录用于“离线评测、在线评测与 Agent 轨迹验收”当前这一次实验，不是第二套知识目录。先从矩阵选择一个章节，再填写实际值；没有填写的字段表示尚未验证。
topic: "离线评测、在线评测与 Agent 轨迹验收"
selected_chapter: required
claim_from_article: required
baseline_version: required
changed_condition: exactly_one
execution: "回放决策到执行链路，覆盖失败、重试、暂停和恢复"
evidence: "模型提议、校验、授权、幂等键、状态迁移、Trace"
pass_when: "模型只提议；执行受代码约束；失败不重复副作用"
stop_when: "文本直通执行、状态不可重放或重试重复写入"
observed_result: required
first_deviation: null_or_evidence
recovery_replay: required_after_failure
6.2 边界实验必须证明能够停止和恢复
成功路径只能证明“离线评测、在线评测与 Agent 轨迹验收”在当前样本上工作，不能证明它可以进入生产。边界实验需要主动制造：文本直通执行、状态不可重放或重试重复写入，并观察系统是否在产生不可逆副作用前停止。
| 场景 | 只改变什么 | 应保存什么 | 通过标准 |
|---|---|---|---|
| 正常路径 | 使用已知有效输入 | 模型提议、校验、授权、幂等键、状态迁移、Trace | 模型只提议；执行受代码约束；失败不重复副作用 |
| 边界路径 | 把一个输入推进到约束临界值 | 临界值前后的输出与指标 | 不静默降级，不把部分结果冒充成功 |
| 明确失败 | 注入：文本直通执行、状态不可重放或重试重复写入 | 原始错误、首个异常阶段和最终状态 | 失败被正确分类且没有扩大副作用 |
| 恢复重放 | 执行：关闭副作用入口，恢复检查点，补充失败契约测试 | 原失败样本的复测证据 | 原样本恢复，正常样本没有回归 |
恢复动作不是简单重启。对于“离线评测、在线评测与 Agent 轨迹验收”，第一步是：关闭副作用入口，恢复检查点，补充失败契约测试。完成后使用原始失败样本复测；只验证一个新样本成功，不能证明触发条件已经消失。
“离线评测、在线评测与 Agent 轨迹验收”边界实验结束后，应把正常、临界、失败和恢复四类记录放在同一个运行批次中。这样才能区分“候选方案真的修复问题”和“环境变化让问题暂时没有出现”。
七、离线评测、在线评测与 Agent 轨迹验收 的结果解释
解释“离线评测、在线评测与 Agent 轨迹验收”实验时先看首个偏差，而不是最后一条错误。最后的异常通常只是上游状态错误的结果；从末端反推容易误把症状当根因。
| 观察结果 | 可以支持的判断 | 下一步 |
|---|---|---|
| 主链路没有达到预期 | 文本直通执行、状态不可重放或重试重复写入 | 先执行：关闭副作用入口，恢复检查点，补充失败契约测试 |
| 异常链路无法恢复 | 文本直通执行、状态不可重放或重试重复写入 | 先执行：关闭副作用入口，恢复检查点，补充失败契约测试 |
| 新样本成功但原样本仍失败 | 修复没有覆盖原始触发条件 | 固定原失败输入，恢复基线后重新比较 |
| 指标改善但证据无法回链 | 数据、版本或中间状态没有固定 | 暂停发布，补齐可追溯记录后重跑 |
“离线评测、在线评测与 Agent 轨迹验收”只有同时满足“模型只提议；执行受代码约束；失败不重复副作用”，并且没有出现“文本直通执行、状态不可重放或重试重复写入”，才可以认为主链路通过。这里的“通过”只对当前固定版本、样本和环境有效，不能外推到尚未测试的容量、权限或数据分布。
如果“离线评测、在线评测与 Agent 轨迹验收”候选方案与基线差异很小，先检查证据分辨率是否足够；如果差异很大，先排除数据泄漏、环境漂移和版本不一致。两种情况都不能只看一个汇总均值，需要回到逐样本输出和中间状态。
“离线评测、在线评测与 Agent 轨迹验收”故障定位完成后，记录“现象、首个偏差、根因、改动、原样本复测”五项。缺少原样本复测时，只能标记为待观察，不能标记为已解决。
八、离线评测、在线评测与 Agent 轨迹验收 的发布判断
发布判断需要把“离线评测、在线评测与 Agent 轨迹验收”的质量、失败边界和恢复能力放在同一份记录中。以下任一条件缺失，都应停止扩量，而不是用“基本正常”替代证据。
- “离线评测、在线评测与 Agent 轨迹验收”的基线与候选只存在一个计划内变量。
- “离线评测、在线评测与 Agent 轨迹验收”的输入、代码、依赖、配置和数据版本可以追溯。
- “离线评测、在线评测与 Agent 轨迹验收”的正常、临界、失败和恢复样本使用同一套断言。
- “离线评测、在线评测与 Agent 轨迹验收”的原始输出、中间状态和失败现场已经保留。
- “离线评测、在线评测与 Agent 轨迹验收”的日志、Trace、截图和测试数据已经脱敏。
- “离线评测、在线评测与 Agent 轨迹验收”的停止条件、负责人和回滚入口已经演练。
- “离线评测、在线评测与 Agent 轨迹验收”尚未覆盖的输入、权限、容量和外部依赖已经登记。
最终记录至少包含基线版本、唯一变量、原始证据、首个偏差、恢复复测和发布责任人。没有参与本次修改的人如果不能据此重放“离线评测、在线评测与 Agent 轨迹验收”的判断，就不能发布。
九、总结
- Dataset 怎么建：每条样本包含输入、期望行为、允许变化、标签和来源。
- Evaluator 要匹配任务：Exact Match、Schema、单元测试：适合确定性输出和代码。
- Agent 轨迹验收：最终成功率之外，还要检查 Tool 选择、参数、顺序、重试次数、权限拒绝、预算和终止原因。
- Example Inputs、Reference Outputs 与 Dataset Version：线上失败经脱敏、去重和人工确认后进入 Dataset，修复通过离线回归、灰度和在线指标后再扩大流量。
- 人工精选、生产 Trace、常见失败与 Synthetic Data：在线评测通过采样 Trace 发现分布漂移和新失败。
- Exact Match、代码测试、规则、LLM Judge 与 Human Evaluation：Human Evaluation：用于高风险、主观或 Judge 校准样本。
学完自测
选择所有正确答案；提交后逐项核对判断依据。