fe2a3f7579
Some checks failed
CI / test (push) Failing after 40s
领域建模拷问产出：CONTEXT.md 新增「周期评估」章节（评估活动 / 服务周期 窗口 / 活动计划）；ADR-0003 记录活动分期（v1 静态地基、v2 自适应回路） 与「OpenClaw 进调度热回路」的取舍。
82 lines
5.4 KiB
Markdown
82 lines
5.4 KiB
Markdown
# AgentEvalTool
|
||
|
||
智能体质量评估平台的领域词汇表。评估 AI 数字员工 / AI 助手的服务质量：向被评智能体发送消息、收集回复、按规则打分并生成报告。
|
||
|
||
## Language
|
||
|
||
**评测对象（Target / EvalTarget）**:
|
||
被评估的智能体本身。每个被评智能体只有一个可访问地址，评测对象与其通道连接信息一一对应（不区分测试/生产等多环境部署）。
|
||
_Avoid_: 被测系统、机器人、环境
|
||
|
||
**平台类型（Platform）**:
|
||
被评智能体的产品形态分类（AI 数字员工 / AI 助手），意图是未来据此选择评测策略；目前仅作分类标签，不参与任何评测逻辑。
|
||
_Avoid_: 产品线、渠道
|
||
|
||
**通道（Channel）**:
|
||
向评测对象收发消息的技术接入协议（tutu-api / openclaw / http）。通道决定"怎么连"，与平台类型（"是什么形态"）相互独立。
|
||
_Avoid_: 接口、连接器
|
||
|
||
**期望（Expectation）**:
|
||
用例层面的业务意图描述：智能体应当如何回应（意图、必含/禁含关键词、时延上限）。表达"想要什么"，与评估规则（"怎么判定"）叠加生效，不是规则的替代品。
|
||
_Avoid_: 断言、预期结果
|
||
|
||
**评估规则（EvalRule）**:
|
||
对单轮回复的可执行判定标准（keyword_match / response_time / llm_score），产出通过与否和得分。用例的唯一正式判定机制。
|
||
_Avoid_: 校验器、断言
|
||
|
||
**连通用例（Connectivity Case）**:
|
||
不配置任何规则与期望的用例，仅验证消息能发出且收到回复，收到即通过。合法用法，但报告中应与判定型用例区分标注，避免稀释通过率。
|
||
_Avoid_: 空用例、无效用例
|
||
|
||
**场景（Scenario）**:
|
||
一组评测用例的集合，定义一次评测的"考纲"——考察哪些能力维度。场景是对比报告的可比性单位：同场景的两次运行即可比，无论具体对话内容是否相同。
|
||
_Avoid_: 测试集、题库
|
||
|
||
**用例（Case）**:
|
||
场景内的单个考察项，分单轮（single）、多轮（multi_turn）、动态（dynamic）三类。静态用例题目固定；动态用例只固定考察意图（prompt），每次运行由 AI 现场生成对话消息。
|
||
_Avoid_: 测试点、题目
|
||
|
||
**对比报告（Compare Report）**:
|
||
同一场景（同版本考纲）下两次运行的逐项对照。可比性来自"同考纲"而非"同考卷"——动态用例题目不同不影响可比。跨场景对比无意义，系统拒绝。
|
||
_Avoid_: 差异报告
|
||
|
||
**场景版本（Scenario Version）**:
|
||
场景考纲的版本标识。仅考纲字段（用例集、模型绑定、LLM 配置）变更时递增；名称、描述、标签等元数据编辑不升版。（决策见 ADR-0001）
|
||
_Avoid_: 修订号
|
||
|
||
**评测运行（Run / EvalRun）**:
|
||
一次"评测对象 × 场景"的完整执行记录，含触发来源（手动 / AI 助手 / CLI）、逐轮对话与全部判定结果。
|
||
_Avoid_: 任务、作业、测试
|
||
|
||
**轮次（Turn）**:
|
||
一次完整的问答往返：向评测对象发出一条消息并收到其回复。不是单方向的一条消息——`turns: 3` 表示 3 个问答对。
|
||
_Avoid_: 消息、回合（round 仅作代码内索引名）
|
||
|
||
**通过率（Pass Rate）**:
|
||
通过用例数 ÷ 全部用例数。刻意采用服务视角：通道故障、超时等执行失败同样计为不通过——用户视角里"没回复"就是质量问题，不从分母中剔除。（决策见 ADR-0002）
|
||
_Avoid_: 成功率、达标率
|
||
|
||
## 周期评估
|
||
|
||
**评估活动（Campaign）**:
|
||
针对**单个评测对象**、跨一个服务周期窗口的评估聚合，模拟该智能体在完整服务周期内面对的真实用户行为。活动是 Run 之上的聚合：按计划在窗口内派生多个普通 Run（每个 Run 仍是"一个对象 × 一个场景"的单次执行），最终聚合成周期评估报告（时间趋势 + 能力汇总双主轴）。活动状态入库、抗重启。多对象通过并行多个活动 + 跨活动对比实现。
|
||
_Avoid_: 批量任务、计划任务、24小时任务（窗口长度可配，不特指 24h）
|
||
|
||
**服务周期窗口（Service-Cycle Window）**:
|
||
活动的时间跨度，模拟被评智能体一个完整的持续服务周期。长度可自定义（如 6 / 12 / 24 / 48 / 72 小时），24 小时为"一天"的默认代表。
|
||
_Avoid_: 时长、周期（周期单指这个窗口）
|
||
|
||
**活动计划（Campaign Plan）**:
|
||
活动在窗口内"何时、对哪个对象、跑哪个场景、多大强度、以何种用户人设"的时间编排。由 OpenClaw 作为"虚拟用户大脑"在活动层生成，并在窗口内的决策点依据已完成时段的结果**自适应调整**后续编排；平台调度器负责耐久执行（派生 Run、重启后续跑、决策点唤醒 OpenClaw）。计划编排已有场景，时段内的具体对话仍由动态用例生成器产出。
|
||
_Avoid_: 排程、日程表
|
||
|
||
## 模型配置
|
||
|
||
**模型能力（Capability）**:
|
||
供给侧属性：一个已接入模型本身能干什么（对话 / 向量 / 审核）。描述模型，不描述评测流程。
|
||
_Avoid_: 功能、类型
|
||
|
||
**模型用途（Purpose）**:
|
||
需求侧属性：评测流程中的角色岗位（出题 generator / 判卷 judge / 向量 embedding / 审核 moderation）。场景通过模型绑定为每个岗位指派一个具备相应能力的模型；一个对话能力模型可同时胜任出题与判卷两个岗位。
|
||
_Avoid_: 能力、角色（role 留给对话消息的 role 字段）
|