Các đợt kiểm thử đánh giá (Evaluation Runs)
Trạng thái
Owner: TBD · Trạng thái: draft · Nguồn chuẩn: flezi.app.frontend.main/src/pages/EvaluationRuns.tsx
Dành cho ai
Kỹ sư AI chuẩn bị release phiên bản Agent mới lên môi trường thực tế.
Bạn làm được gì
- Khởi chạy một đợt đánh giá tự động: Hệ thống sẽ tự động chạy Agent trên toàn bộ các câu hỏi trong bộ Test Dataset và gọi các Evaluator để chấm điểm.
- Xem bảng tổng kết điểm số tổng hợp và chi tiết từng câu hỏi.
- Đối chiếu hiệu năng giữa phiên bản Agent mới và phiên bản Agent cũ (A/B testing / Regression test).
Các bước chạy đợt đánh giá
- Chọn Evaluation Runs và nhấn New Evaluation Run.
- Chọn Agent cần đánh giá và phiên bản tương ứng.
- Chọn bộ dữ liệu kiểm chuẩn (Dataset) và danh sách các Evaluator áp dụng.
- Nhấn Start Evaluation.
- Theo dõi tiến độ chạy nền và nhận báo cáo kết quả chi tiết sau khi hoàn thành.