概述
這包括它是否完成了任務,它所採取的路徑是否合理,它是否正確使用了工具,它的成本是多少,以及它是否保持安全。代理執行多個步驟並產生副作用,因此根據參考檢查單一答案是不夠的,良好的評估通常在受控環境中執行代理並檢查最終狀態。
深入探討
代理評估會考慮幾件事。任務成功詢問目標是否真正實現,理想情況下透過事後查看環境進行檢查:測試通過,存在正確的記錄,文件具有正確的內容。軌跡品質詢問步驟是否合理,沒有循環、無意義的調用或幸運的猜測。工具使用正確性檢查代理是否選擇了具有有效參數的正確工具並處理了錯誤。成本和延遲追蹤令牌、呼叫和掛鐘時間。安全檢查代理是否避免有害或未經授權的行為並拒絕立即註射。基於環境的基準已成為一種領先方法。來自普林斯頓大學研究人員的 SWE-bench 要求代理解決實際的 GitHub 問題,並通過專案的測試檢查結果,SWE-bench Verified 是人工檢查的子集。 WebArena 提供用於瀏覽任務的自架網站。 OSWorld 測試執行完整電腦桌面的代理程式。 GAIA 提出的問題需要多步驟的研究和工具。 tau-bench 套件模擬使用者和網域策略,並引入了 pass^k 指標,詢問代理是否在 k 次重複嘗試中的每一次都成功。評分使用三種主要類型的檢查:基於代碼的結果檢查,精確且廉價;基於模型的評分器,根據評分標準對成績單進行評分,該評分標準很靈活,但需要根據人類判斷進行檢查;以及人工審核,這是最值得信賴且最慢的。一個常見的錯誤是只相信公共排行榜。基準可能會洩漏到訓練資料中、變得飽和或無法類似於您自己的工作負載。另一個錯誤是將一次運行視為事實,因為智能體是不確定的,成功率的微小差異可能是雜訊。團隊從根據自己的真實任務和失敗構建的私人評估集中獲得最大價值,反覆運行並隨著時間的推移進行追蹤。
現實世界的實施
編碼代理團隊透過代理補丁後存儲庫的隱藏測試是否通過來對每次嘗試進行評分,就像 SWE-bench 所做的那樣,而不是判斷差異是否看起來正確。
客戶服務代理針對模擬用戶和模擬預訂資料庫運行。評分者檢查最終資料庫狀態是否與正確結果相符以及代理商是否遵循退款政策。
工程團隊將每項任務運行五次,並報告代理在所有五項任務上成功的頻率,這暴露了單次運行成功率可能隱藏的不穩定行為。
一家公司添加了一個安全套件,其中的任務包括刪除文件或洩露資料的植入指令,如果代理遵守,它將把原本成功的運行視為失敗。
評估人工智慧代理的未來
隨著代理承擔更長的任務,評估正在朝著更長的視野、更現實的環境、可靠性和成本以及峰值能力的衡量標準發展。基準飽和和污染可能會繼續推動開發人員創建新任務並更多地依賴私有的、特定領域的測試集。隨著特工能夠訪問真實系統,安全和安保評估(包括對即時注入的抵抗力)受到越來越多的關注。目前還沒有對開放式代理行為進行評分的商定標準,因此將結果檢查、校準模型評分器和人工審核相結合可能仍然是常見做法。
付諸實踐
為什麼這很重要
- 成本與預算. 多年來,架構決策決定著效能和營運成本。
- 更明確的決策. 技術教育幫助團隊選擇正確的堆疊,而不僅僅是最新的堆疊。
- 品質管控. 更好的工程選擇可以減少生產中的可靠性事故。
留意
- 優化一項基準測試可以隱藏更廣泛的系統弱點。
- 基礎設施和維護成本常常被低估。
- 隨著系統變得更加複雜,安全性和可觀察性差距可能會擴大。
後續步驟
- 在實施之前定義延遲、品質和成本目標。
- 在實際負載和資料條件下進行基準測試。
- 儀器監控錯誤、漂移和使用者影響。
- 在擴展之前準備回滾和事件回應路徑。
不斷探索
常見問題
什麼是評估 AI 代理?
評估人工智慧代理意味著衡量多步驟系統在現實環境中實現目標的效果。這包括它是否完成了任務,它所採取的路徑是否合理,它是否正確使用了工具,它的成本是多少,以及它是否保持安全。代理執行多個步驟並產生副作用,因此根據參考檢查單一答案是不夠的,良好的評估通常在受控環境中執行代理並檢查最終狀態。
為什麼檢查單一最終答案通常對客服人員來說還不夠?
多步驟操作會改變環境,因此您需要檢查實際發生了什麼以及如何發生,而不僅僅是最終文字。
SWE-bench 如何判斷代理是否解決了問題?
基於環境的檢查,這裡是專案的測試,判斷修復是否真的有效。
pass^k 風格指標測量什麼?
要求所有 k 次嘗試都成功來衡量一致性,這對於部署到真實用戶的代理很重要。
哪個維度會標記一個成功但需要 50 步才能完成五步驟工作的代理?
軌跡檢查判斷所採取的路徑,捕捉單獨結果檢查錯過的循環和浪費。
基於模型的評分器的已知弱點是什麼?
模型評分器很靈活,但應根據人類判斷進行檢查並注意系統偏差。