Zum Hauptinhalt springen
Das Evaluierungszentrum ermöglicht es Ihnen, die Qualität von Agenten vor der Bereitstellung in der Produktion zu überprüfen. Erstellen Sie einen Datensatz mit Testfällen, führen Sie diese gegen jeden veröffentlichten Agenten aus, und erhalten Sie einen quantitativen Bericht mit Bestanden/Nicht-Bestanden-Verdikten pro Fall, Latenz und Token-Nutzung.
Konzipiert für die Überprüfung durch Unternehmenseinkauf — jedes Ergebnis ist nachvollziehbar, reproduzierbar und dauerhaft gespeichert.

​
Funktionsweise

Jede Evaluierungslauf führt eine dreistufige Pipeline für jeden Testfall aus: 
┌──────────────────────────────────────────────────────────┐
│  Stage 1 — Agent Execution                               │
│                                                          │
│  A real ReActAgent runs the test case prompt.             │
│  Same engine as chat: same model, same tools, same       │
│  instructions. No mocking, no shortcuts.                 │
│                                                          │
│  → Produces: answer, latency, token usage                │
├──────────────────────────────────────────────────────────┤
│  Stage 2 — LLM Grading                                   │
│                                                          │
│  A separate "grader" LLM (fast model) judges the answer  │
│  against the expected behavior and assertions.            │
│                                                          │
│  Input:  prompt + expected_behavior + assertions + answer │
│  Output: { verdict: "pass"|"fail", reasoning: "..." }    │
├──────────────────────────────────────────────────────────┤
│  Stage 3 — Persist & Aggregate                           │
│                                                          │
│  Each case result is saved to the database.               │
│  After all cases finish: pass rate, avg latency,          │
│  total tokens are computed and attached to the run.       │
└──────────────────────────────────────────────────────────┘

​
Wichtige Designentscheidungen

EntscheidungGrund
Real ReActAgent (kein Mock)Testet das tatsächliche Verhalten des Agenten, einschließlich Tool-Aufrufe und mehrstufiges Reasoning
Separates Grader-LLM (schnelles Modell)Kostengünstig und schnell; das Agent-LLM hat bereits Token während der Ausführung verbraucht
asyncio.Semaphore(5)Begrenzt die Parallelität auf 5, um zu vermeiden, dass der LLM-Anbieter mit Rate-Limit-Fehlern überlastet wird
Jeder Fall ist unabhängigKeine Gesprächshistorie zwischen Fällen; jeder erhält eine neue Agent-Instanz
Ausführung im HintergrundDie Ausführung wird als asynchrone Aufgabe gestartet — die API gibt sofort zurück, das Frontend fragt alle 3 Sekunden ab

​
Arbeitsablauf

​
1. Datensatz erstellen

Navigieren Sie zu Eval Center → Datasets und klicken Sie auf New Dataset. Ein Datensatz ist eine benannte Sammlung von Testfällen. Geben Sie ihm einen aussagekräftigen Namen (z. B. „Customer Support — Tier 1 Questions”) und eine optionale Beschreibung.

​
2. Testfälle hinzufügen

Klicken Sie in Ihren Datensatz und fügen Sie Testfälle hinzu. Jeder Fall hat drei Felder:
FeldErforderlichBeschreibung
PromptJaDie genaue Frage oder Anweisung, die an den Agenten gesendet wird
Erwartetes VerhaltenJaEine natürlichsprachige Beschreibung, wie eine korrekte Antwort aussieht
AssertionsNeinEine Liste spezifischer Überprüfungen (z. B. „Antwort erwähnt die Rückgabepolitik”, „Antwort ist unter 200 Wörtern”)
Gute Testfälle schreiben:
  • Prompt: Seien Sie spezifisch. „Was ist unsere Rückgabepolitik für Enterprise-Pläne?” ist besser als „Erzählen Sie mir von Rückgaben.”
  • Erwartetes Verhalten: Beschreiben Sie das Ergebnis, nicht die genaue Formulierung. „Erklärt das 30-Tage-Rückgabefenster und erwähnt die Ausnahme für Jahrespläne.”
  • Assertions: Verwenden Sie diese für harte Anforderungen. Der Grader wird jede Assertion explizit überprüfen.

​
3. Starten Sie eine Bewertung

Gehen Sie zur Registerkarte Eval Runs und klicken Sie auf New Evaluation. Wählen Sie:
  1. Agent — einen beliebigen Agent, den Sie besitzen
  2. Dataset — einen beliebigen Datensatz mit mindestens einem Testfall
Klicken Sie auf Start Evaluation. Sie werden zur Ergebnisseite weitergeleitet.

​
4. Ergebnisse lesen

Die Ergebnisseite zeigt:
  • Header: Name des Agenten, Name des Datensatzes, Statusabzeichen, Erfolgsquote, durchschnittliche Latenz, Gesamttoken
  • Fortschrittsbalken: Füllt sich auf, wenn Fälle abgeschlossen werden (grün = Erfolgsanteil)
  • Ergebnistabelle: Eine Zeile pro Testfall mit:
    • Eingabeaufforderung (gekürzt — zum Erweitern anklicken)
    • Urteil: Bestanden (grün), Fehlgeschlagen (rot) oder Fehler (orange)
    • Antwort des Agenten (gekürzt — zum Erweitern anklicken)
    • Begründung des Bewerters (warum es bestanden oder fehlgeschlagen ist)
    • Latenz (ms) und Token-Anzahl
Während ein Durchlauf läuft (pending oder running Status), wird die Seite alle 3 Sekunden automatisch aktualisiert. Navigieren Sie nicht weg, wenn Sie Ergebnisse in Echtzeit sehen möchten.

​
Was wird getestet

​
Enthalten

  • Integrierte Werkzeuge: calculator, web_search, web_fetch, python_exec, file_ops, etc.
  • Agent-Anweisungen: Das Feld extra_instructions des Agenten wird weitergeleitet
  • Konfiguriertes Modell des Agenten: Wenn der Agent eine benutzerdefinierte Modellkonfiguration hat, wird dieses Modell verwendet

​
Nicht enthalten (absichtlich)

  • Konnektoren: Externe HTTP-Konnektoren erfordern Live-Services von Drittanbietern — werden in der Evaluierung übersprungen, um instabile Tests zu vermeiden
  • MCP-Server: Aus demselben Grund — externe Prozessabhängigkeiten
  • Gesprächsverlauf: Jeder Fall läuft isoliert ohne vorherigen Kontext
  • Wissensdatenbanken: KB-Abruefwerkzeuge werden im Evaluierungsmodus nicht geladen
Dies bedeutet, dass Evaluierungsergebnisse die Reasoning- und Werkzeugnutzungsfähigkeit des Agenten widerspiegeln, nicht seine Integration mit externen Services. Testen Sie Konnektoren separat über die Connector-Test-Funktion.

​
Der Grader

Der Grader ist ein LLM (das „schnelle” Modell des Systems), das vier Informationen erhält und ein strukturiertes JSON-Urteil zurückgibt: Systemaufforderung:
You are an impartial AI evaluator. Your job is to judge whether an AI agent’s answer meets the expected behavior for a given prompt. Be strict but fair. A “pass” requires the answer to genuinely address the prompt according to the expected behavior. A “fail” means the answer is wrong, incomplete, off-topic, or misses key requirements.
Benutzernachricht enthält:
  1. Die ursprüngliche Aufforderung
  2. Das erwartete Verhalten
  3. Die Liste der Assertions (oder „None specified”)
  4. Die tatsächliche Antwort des Agenten
Ausgabeschema: 
{
  "verdict": "pass" | "fail",
  "reasoning": "Explanation of why the answer passes or fails..."
}
Der Grader verwendet structured_llm_call mit Function Calling, um das Schema durchzusetzen. Wenn der Grader selbst fehlschlägt (Netzwerkfehler, fehlerhafte Antwort), wird der Fall als error gekennzeichnet.

​
Best Practices

​
Datensatz-Design

  • Klein anfangen: 5–10 Fälle, die die Kernfunktionen des Agenten abdecken
  • Edge Cases berücksichtigen: Mindestens 2–3 adversarische oder außerhalb des Geltungsbereichs liegende Prompts einbeziehen
  • Spezifisch bei erwartetem Verhalten: Vage Erwartungen führen zu inkonsistenter Bewertung
  • Assertions für harte Anforderungen verwenden: „Muss den Preis erwähnen” ist zuverlässiger als zu hoffen, dass der Bewerter es erfasst

​
Ergebnisse interpretieren

  • 80%+ Erfolgsquote ist ein guter Richtwert für einen gut konfigurierten Agenten
  • Niedrige Erfolgsquote mit hoher Latenz deutet darauf hin, dass der Agent Schwierigkeiten mit mehrstufigem Reasoning hat
  • Fehlerstatus bedeutet, dass der Agent oder die Bewertung abgestürzt ist — überprüfen Sie die Server-Logs auf Details
  • Bewertungsabweichungen: Wenn Sie denken, dass die Bewertung falsch ist, lesen Sie deren Begründung. Möglicherweise müssen Sie Ihre Beschreibung des erwarteten Verhaltens verfeinern

​
Wann neu bewerten

  • Nach Änderung der Agent-Anweisungen
  • Nach Wechsel des LLM-Modells des Agenten
  • Nach Hinzufügen oder Entfernen von Tool-Kategorien
  • Vor jeder Produktionsbereitstellung (CI/CD-Integration kommt in einer zukünftigen Version)

​
API-Referenz

MethodeEndpunktBeschreibung
POST/api/eval/datasetsDatensatz erstellen
GET/api/eval/datasetsDatensätze auflisten (paginiert)
GET/api/eval/datasets/{id}Datensatz abrufen
PUT/api/eval/datasets/{id}Datensatz aktualisieren
DELETE/api/eval/datasets/{id}Datensatz löschen (kaskadiert Fälle)
POST/api/eval/datasets/{id}/casesTestfall hinzufügen
GET/api/eval/datasets/{id}/casesFälle auflisten (paginiert)
PUT/api/eval/datasets/{id}/cases/{caseId}Fall aktualisieren
DELETE/api/eval/datasets/{id}/cases/{caseId}Fall löschen
POST/api/eval/runsEvaluierungslauf starten
GET/api/eval/runsLäufe auflisten (paginiert)
GET/api/eval/runs/{id}Lauf + alle Fallergebnisse abrufen
DELETE/api/eval/runs/{id}Lauf löschen (kaskadiert Ergebnisse)
Alle Endpunkte erfordern JWT-Authentifizierung (Authorization: Bearer <token>).