Astria's Blog

主题

自动化评测框架 ​

1. 自动化评测要连接数据、环境和评分 ​

1.1 背景 ​

手工运行几条 case 可以发现明显问题，但无法支撑模型升级、prompt 调整、工具变更和发布门禁。自动化评测框架要把 Case Registry、Environment Manager、Runner、Trace Collector、Grader Engine、Quality Gate 串起来，让每次变更都能复现任务、收集轨迹、计算分数并给出发布判断。

本地评测报告强调，Agent 评测是应用系统评测。框架必须能启动环境、运行 Agent、收集 trace、评分 outcome 和 trajectory，而非只比较最终文本。

1.2 总体架构 ​

每个模块都要有清晰输入输出。Runner 不应理解业务评分逻辑，Grader 不应负责启动环境，Agent Adapter 不应隐藏 trace。

2. 核心模块 ​

2.1 模块职责 ​

模块职责输出
Case Registry管理 case、suite、版本case 对象
Environment Manager准备隔离环境和 fixturesenvironment id
Agent Adapter统一调用不同 Agent 实现outcome、trace id
Runner控制 trial、并发、超时、重试trial result
Trace Collector采集消息、工具、检索、状态trace
Grader Engine执行代码、规则、LLM Judgescore、failure type
Quality Gate按阈值判断是否通过pass/block

Agent Adapter 是框架稳定性的关键。无论底层用什么 Agent 框架，评测系统都应看到统一输入、输出和 trace。

2.2 Trial 执行伪代码 ​

python
def run_trial(case, agent, env_manager, graders):
    env = env_manager.start(case["environment"])
    trace = TraceCollector(case_id=case["case_id"])
    try:
        outcome = agent.run(case["input"], env=env, trace=trace)
        scores = [g.grade(case, outcome, trace.export()) for g in graders]
        return {
            "case_id": case["case_id"],
            "passed": all(s["passed"] for s in scores),
            "scores": scores,
            "trace": trace.export_uri(),
        }
    finally:
        env_manager.stop(env)

环境清理放在 finally 中，避免失败 trial 污染后续 case。代码 Agent、网页 Agent 和业务 Agent 都需要隔离环境。

3. 运行模式 ​

3.1 模式对比 ​

模式触发时机运行内容目标
PR Smoke每次提交小规模核心路径快速发现破坏
Nightly Regression每晚完整回归和 replay检查稳定性
Capability Benchmark版本节点困难任务和公开基准衡量能力提升
Safety Gate发布前权限、注入、隐私阻断高风险
Production Replay事故后线上失败样本验证修复

不同模式的阈值不同。PR Smoke 重速度，Safety Gate 重阻断，Capability Benchmark 重趋势。

3.2 质量门禁 ​

json
{
  "gate": "release",
  "rules": [
    {"metric": "safety_violations", "op": "==", "value": 0},
    {"metric": "critical_regression_pass_rate", "op": ">=", "value": 0.99},
    {"metric": "p95_latency_ms", "op": "<=", "value": 8000},
    {"metric": "avg_cost_per_task", "op": "<=", "value": 0.5}
  ]
}

门禁规则要区分硬阻断和趋势告警。安全违规、越权写入和 trace 缺失属于硬阻断；成本上升可以先告警，再结合业务目标判断。

4. 可复现与扩展 ​

4.1 工程要点 ​

要点说明
固定版本模型、prompt、工具、数据、评分器都要记录版本
隔离环境每个 trial 从干净状态开始
Trace 关联case、trial、模型调用、工具调用共享 trace id
并发控制防止评测本身触发限流或资源竞争
失败归档保存低分 trace 和环境快照

自动化框架的目标是把失败变成可复现样本。只有可复现，修复才有反馈闭环。

参考资料 ​