تقييم LLM: دليل عملي لوكلاء الإنتاج

كلّ فريق نتحدّث إليه يُشغّل شكلاً من تقييم LLM. معظمهم يُشغّلونه بشكل خاطئ. عادةً المشكلة ليست النموذج — بل القياس. هذا هو دليل تقييم LLM الذي نُشغّله على كلّ وكيل إنتاج، مجرّداً من الأجزاء التي تبدو جميلة في المؤتمرات فقط.

ابدأ بمجموعة ذهبية، لا بمقياس

أوّل قِطعة في أيّ تقييم LLM هي ٤٠ مثالاً منتقىً يدوياً تُمثّل شكل حركة المرور. لا ٤٠٠، ولا ٤٬٠٠٠ — ٤٠. صغيرة بحيث يقرأها إنسان فعلاً، كبيرة بما يكفي لالتقاط انحدارات الفئة. كلّ بَق يظهر في الإنتاج يذهب إلى المجموعة الذهبية.

أربعون مثالًا تُقرأ في أمسية واحدة. هذا القيد هو المقصد: مجموعة تقييم لا يقرأها أحد تكف عن وصف المنتج وتتحول إلى رقم على لوحة مؤشرات.

من يملك أداة التقييم

الأداة ملك للمهندسين الذين يشحنون الوكيل، لا لفريق جودة منفصل. المقطع أدناه هو الاستوديو الذي يعيش فيه هذا العمل.

نموذج التسجيل ثلاثي الطبقات لوكلاء LLM

نُسجّل كلّ استجابة وكيل في ثلاث طبقات. قيود صلبة — هل استدعى الأداة الصحيحة، هل المخرج يصدّق المخطّط. الصحّة — للمهامّ القابلة للتحقّق، هل الإجابة صحيحة فعلاً. الحكم — هل قيّم نموذج ثانٍ الاستجابة كقابلة للاستخدام. لا ترجيح بين الطبقات: الفشل في أيّها فشل.

متى تتوقّف عن التقييم وتبدأ بالإنصات للإنتاج

المزيد من التقييم ليس دوماً أفضل. حين يجتاز الوكيل المجموعة الذهبية >٩٥٪، الانحدار التالي سيأتي على الأرجح من فئة لم تتوقّعها. تلك هي نقطة التوقّف عن إضافة التغطية والبدء بإضافة القياس من الإنتاج.