自動評估與 Agent 監控

自動化測試與即時監控 Agent 的回應品質、效能指標與成本

自動評估

自動評估功能讓您能夠使用預先建立的測試資料集，自動化測試 Agent 的回應品質。系統會將測試問題發送給 Agent，比對實際回應與預期回應，產生詳細的評估報告。

進入自動評估

進入左側功能欄的「AgentOps」，點選「自動化測試」。

頁面顯示所有評估記錄，包含評測名稱、測試集、Agent、成功率、平均秒數與建立時間。

建立並執行測試

1. 確認已建立測試資料集（參考 測試資料集管理）

2. 點擊「建立測試」按鈕

3. 填寫評估名稱、描述，選擇測試資料集與 Agent

4. 點擊「開始評估」，系統會自動執行所有測試案例

也可以透過 API 建立測試集、執行評估並讀取結果，例如在調整 Agent 設定後由您自己的系統自動重跑同一份測試集；端點、所需權限與 Credit 計算見 API 文件的評估與測試集。

評估執行時間取決於測試案例數量，通常 50 個測試案例約需 2-3 分鐘。

使用自訂評估指標

除了內建指標，您也可以用自然語言定義團隊自己的評分準則。例如，客服主管小麥想確認客服助理是否保持禮貌且有同理心；她建立「客服語氣」指標、寫下判斷準則並設定通過門檻。評估完成後，她便能在結果中查看每個案例的「客服語氣」分數，找出需要調整的回覆。

1

建立評估時，完成名稱、測試集、Agent 及評測模型等基本設定。

2

在「自訂指標」區域點選「新增自訂指標」，輸入容易辨識的指標名稱與評估準則。

3

依團隊的品質標準調整通過門檻，再點選「確認」開始評估。

切換至多輪對話後，可設定最大輪數、三種評估指標與模擬語言

以自然語言設定客服語氣的評估準則

安全類指標

建立單輪評估時，「安全類指標」區提供四個選用的 guardrail 指標，適合金融、醫療等合規場景；分數方向一律「越高越好」（越高代表越沒有該類問題）：

指標	檢查什麼
PII 洩漏	回覆是否洩漏個人識別資訊
角色違規	回覆是否偏離角色指令設定的身分與範圍
濫用	助理是否被用於非預期用途
避免專業建議	回覆是否避免提供醫療、法律、金融等專業建議

系統以不分英文大小寫的方式比對名稱：單輪評估的自訂指標不可與 15 個內建指標的英文名稱重複，多輪評估不可與 Turn Faithfulness、Turn Relevancy、Conversation Completeness 重複。內建指標清單見技術手冊的 回覆評估與監測結果。若名稱衝突，請改用能表達團隊判斷目的的名稱。

評估多輪對話

多輪評估適合檢查需要來回確認的任務。以退貨客服為例，品質管理員小美希望 Agent 先詢問訂單編號，再確認退貨原因並說明後續安排；她建立多輪測試案例，寫下情境與預期結果後執行評估。完成後，她可展開對話逐字稿，檢查每一輪回覆與知識庫檢索內容，而不是只看最後一句答案。

1

先到「測試集」開啟目標測試集，在多輪測試案例中新增情境、預期結果與模擬使用者人設。

2

回到「自動化測試」並點選「建立評估」，切換到「多輪對話」。

3

選擇測試集、Agent 與評測模型，設定最大輪數、評估指標及模擬語言後開始評估。至少須啟用一項評估指標。若案例需要跨多輪持續守住某個條件（例如「全程不透露內部價格」），可另外設定 最少輪數：即使預期結果已達成，模擬使用者仍會至少對話到這個輪數；最少輪數不可大於最大輪數。

評估執行時，Agent 為每個案例產生回答所用的模型 tokens 與檢索資源會依對話費率扣點，歸在該次評估底下，見 Credits 計費制度。

4

評估完成後開啟結果，點選個別案例展開詳細內容，再查看各指標分數、對話逐字稿，以及每一輪的「檢索內容」。單一案例失敗時，該案例會個別顯示錯誤，不會遮蔽其他案例的結果。

展開案例可逐輪核對 Agent 回覆與該輪取用的知識庫內容

執行中的多輪評估若不需繼續，可在評估詳情點選「取消評測」並確認。系統會在目前案例處理完畢後停止後續案例；已完成的分數與逐字稿仍會保留，狀態顯示為「部分完成」，尚未處理的案例顯示為「待評估」。

取消後保留已完成案例，尚未處理的案例維持待評估

查看評估結果

點擊評估記錄即可查看詳細報告：

詳細報告包含：

• 成功率：通過測試的案例百分比（標記為不穩定的測資不計入，見 標記不穩定的測資）

• AI 洞察：系統自動分析的評估摘要與改進建議

• 指標統計：品質性評分、回答相關性等指標

• AI 助理設定(本次評測)：這次評測執行時 Agent 的設定快照（模型、回答模式、角色指令、知識庫、工具設定等），點「檢視配置詳情」展開。之後即使改了 Agent 設定，這裡仍保留當時的版本，方便比對「改了什麼之後分數變了」

• 測試案例明細：每個問題的預期回應、實際回應、評分與狀態

取消、繼續與匯出

• 取消評測：執行中的評測可取消，系統會在目前批次完成後停止，以「部分完成」結束；已計算的分數保留，剩餘案例不執行。

• 繼續評測：評測有失敗案例時，可按「繼續評測」只重跑發生錯誤的測試案例；已完成的案例保留、不重跑，也只對新完成的案例計費。

• 匯出報告：評測完成後才能匯出。按下後會建立匯出請求在背景產生 Excel，完成時頁面會提示「匯出請求已完成」，改為顯示「下載報告」；也可到 匯出請求 頁下載。

成功率參考基準：

Agent 類型	建議成功率
產品查詢助理	≥ 95%
客服支援助理	≥ 90%
通用對話助理	≥ 80%

更多關於洞察報告的說明，請參考：評估洞察報告

管理評估記錄

• 搜尋與篩選：依測試集、Agent 或關鍵字篩選記錄

• 重新執行：修改知識庫或 AI 設定後，重新測試驗證改善效果

• 匯出：將評估結果匯出為 Excel 格式

編輯評測名稱與描述

完成測試後，您仍可修改評測名稱與描述，不必刪除或重新執行測試。測試資料集、Agent、評測結果與執行狀態不會因此改變。

例如，小麥建立每週客服品質測試後，發現評測名稱的週次寫錯。她從自動化測試列表開啟編輯視窗，更正名稱並補上測試目的；儲存後，列表立即顯示新內容，原有的測試結果仍保留。

1

開啟自動化測試列表

進入左側選單「AgentOps」→「自動化測試」。

2

開啟編輯視窗

找到要調整的評測，在該列的「操作」欄點擊「編輯」圖示。

3

修改並儲存

修改「評測名稱」或「描述」，再點擊「確定」。評測名稱為必填，最多 200 個字元；描述可以留空。

編輯視窗會帶入目前的評測名稱與描述

執行中、已完成或失敗的評測都可以修改名稱與描述；這項操作只更新辨識用資訊，不會重新執行測試。

---

Agent 監控

Agent 監控提供即時的對話運作數據，讓您深入了解每一次對話的處理細節、效能指標與品質評分。

進入 Agent 監控

進入左側功能欄的「AgentOps」，點選「AI 助理監控」。

監控欄位說明

欄位	說明
用戶輸入訊息	使用者發送給 AI 的問題
輸出訊息	Agent 的回應內容
Agent	處理此對話的 Agent 名稱
使用者反饋	讚 👍 或倒讚 👎
誠實性評分	回應是否忠實於知識庫內容
回答相關性評分	回應與問題的相關程度
回應時間	AI 產生回應的完整時間
LLM 處理推理時間	LLM 推理與回覆生成所花費的時間
總字數	對話中消耗的總字數（含問題與回答）
LLM	使用的語言模型名稱
用戶	發起對話的使用者
來源	這筆紀錄是互動對話（使用者實際發問）還是排程執行（由代理排程自動觸發）
成員	以組織成員身分發起這筆對話的人；沒有對應成員（例如排程執行）時顯示「—」

品質分數怎麼算

誠實性評分、回答相關性評分與上下文精確度評分都由評測模型（LLM）依 DeepEval 的 Faithfulness、Answer Relevancy、Contextual Precision 指標判斷，範圍 0～1，不是關鍵字比對：誠實性看回覆中的陳述有多少能在檢索到的段落找到依據；回答相關性看回覆有多少內容切中使用者的問題；上下文精確度看檢索到的段落與問題的相關程度。評測模型逐句判斷，同一則回覆重跑可能有小幅差異。各指標的定義、分數方向與分數偏低時的排查方向，見技術手冊的 回覆評估與監測結果。

點每一筆最右側的「詳情」進入對話詳情頁，可看到這次回覆的執行時間軸（每一步耗時、Token、Credit 與瓶頸）、送給模型的完整對話紀錄、用量與效能面板，並可匯出 JSON／Markdown／Credit 稽核，見 對話詳情與執行時間軸。

查看圖片搜尋的用量

Agent 使用知識庫的圖片搜尋時，系統會另外記錄圖片向量化的用量。您可以從單筆對話記錄確認這次回覆用了哪些資源：

1

進入 AgentOps → AI 助理監控，切換到 對話紀錄。

2

找到要核對的回覆，點選最右側的詳情。

3

往下查看 Token 與 Credit 明細。一般文字向量化會列在 向量化；該回覆有使用圖片搜尋時，會再顯示 圖片向量化，Token 總計與 Credit 總計也會包含這一項。其他欄位的說明見 用量與效能面板。

單筆對話的用量明細；只有實際使用圖片搜尋的回覆才會顯示「圖片向量化」

看不到 圖片向量化 不代表記錄遺失。這個項目只在該次回覆實際產生圖片向量化用量時顯示；沒有使用圖片搜尋時，畫面會維持原本的向量化明細。

例如，小麥公司的客服主管讓商品 Agent 從型錄圖片辨識零件外觀。她在測試後打開這筆對話的詳細資料，看到圖片向量化與對應 Credits，便能區分圖片搜尋和一般文字檢索的成本，再決定是否調整圖片型錄或 Agent 設定。

搜尋與篩選

對話紀錄上方的篩選列可用的欄位：

欄位	說明	預設顯示
關鍵詞	搜尋輸入／輸出訊息或使用者名稱	是
AI 助理	選擇特定 Agent，追蹤其運作狀況	是
來源	只看互動對話或排程執行	是
日期範圍	近 24 小時、近 7 天、近 30 天、近 90 天或自訂區間	是
成員	選擇一位或多位組織成員，只看他們發起的對話；排程執行沒有此欄位	是
錯誤狀態	不限、有錯誤或無錯誤	是
大語言模型	選擇特定語言模型，比較不同模型的效能	否
錯誤類型	指定錯誤類型（與錯誤率怎麼計算的分類相同）	否
評價	依使用者回饋篩選：讚、倒讚、無評價	否

自訂篩選欄位

篩選列右側的 「自訂篩選欄位」 可勾選要顯示哪些欄位（「顯示篩選欄位」清單），不常用的收起來讓畫面簡潔；按 「恢復預設」 回到上表的預設組合。設定存在您的瀏覽器，其他成員不受影響。重置篩選 只清掉目前填的條件，不改變顯示哪些欄位。

匯出 會依目前篩選條件建立匯出請求（Excel 或 CSV），見匯出請求；匯出只支援互動對話，來源選了排程執行時會提示先清除來源篩選。

依成員與來源篩選對話紀錄

對話紀錄的篩選列預設就有全部來源與全部成員兩個下拉選單，列表中也有對應的來源與成員欄位，方便您分開檢視「誰問的」以及「是人問的還是排程自動跑的」。

例如，客服主管想了解新進同事這幾週都怎麼使用內部 Agent。她進入對話紀錄，把來源設為互動對話，排除排程自動產生的紀錄，再從全部成員選出這位同事，列表只剩他的對話；確認內容後按下匯出，就能把同一份清單交給教育訓練窗口，不需要請工程師撈資料。

1. 依成員篩選

進入 AgentOps → AI 助理監控，切換到對話紀錄，點選全部成員，從清單中勾選要檢視的成員（可複選、可輸入關鍵字搜尋）。

從「全部成員」下拉選單挑選要檢視的成員（成員姓名與 Email 已遮蔽）

選定後，列表只顯示這些成員發起的對話，並可與關鍵字、Agent、錯誤狀態、日期等其他篩選條件疊加。表格右側的成員欄會顯示每筆紀錄對應的成員。

篩選一位成員後的對話紀錄，右側「成員」欄顯示對應成員（已遮蔽）

2. 依來源篩選排程執行

透過代理排程自動執行的任務，也會出現在對話紀錄中，並在來源欄標示為排程執行；一般使用者發問的紀錄則標示為互動對話。點選全部來源，可只看其中一種。

來源選擇「排程執行」後，成員篩選與匯出按鈕變為不可用，滑鼠移到匯出按鈕會顯示原因

選擇「排程執行」時的限制

• 排程執行沒有對應的成員與使用者回饋，因此成員與評價篩選會停用並清空。

• 匯出目前僅支援互動對話；來源為排程執行時按鈕會停用，請先清除來源篩選再匯出。

• 儀表板的統計只計入互動對話，排程執行請在對話紀錄查看。

點選排程執行紀錄的詳情，基本資訊會顯示排程名稱、來源與這次執行的狀態，識別資訊中另有排程 ID，方便回頭對照是哪一個排程產生的。

排程執行紀錄的基本資訊：排程名稱、來源「排程執行」與狀態「成功」

3. 從倒讚回饋整理改善清單

把 評價 篩選設為 倒讚（這個欄位預設收起，先在 自訂篩選欄位 勾選），列表就只剩使用者按過倒讚的回覆。逐筆點 詳情 查看 Agent 當時檢索到的段落與執行過程；使用者倒讚時勾選的原因與補充文字，在 所有對話的對話檢視器 逐則查看。判斷是知識庫缺資料、角色指令不夠明確，還是檢索沒找到正確段落：知識庫缺資料的，直接從對話紀錄 加入 FAQ；其他的回到 Agent 設定調整後，用 自動評估 重跑測試集確認。

對話紀錄沒有「待處理」或「負責人」欄位；需要多人分工追蹤時，按 匯出 把篩選結果匯成 Excel 當作改善清單。

查看 MaiGPT 對話

成員在 MaiGPT 的提問與 AI 回覆，也會記錄在 AI 助理監控 的 對話紀錄 中，AI 助理 欄顯示為 MaiGPT。管理員要了解某位成員怎麼使用 MaiGPT 時，用成員篩選就能找到他的對話。

誰看得到成員的 MaiGPT 對話

身分	能否在對話紀錄看到成員的 MaiGPT 對話
組織擁有者	看得到，組織擁有者可以看到組織內所有對話紀錄
所屬角色有 AI 助理監控權限	看得到
所屬角色沒有 AI 助理監控權限	進不了 AI 助理監控 頁面

AI 助理監控權限 位於角色權限的 AgentOps 權限 底下。非擁有者在對話紀錄中，看得到「分配給所屬角色的 Agent」的紀錄；系統建立 MaiGPT 時就會把它分配給預設角色，而所有成員都屬於預設角色，所以擁有 AI 助理監控權限 的成員都看得到 MaiGPT 對話。所屬角色有 MaiGPT 權限 時同樣看得到。設定方式見 角色權限管理。

查看步驟

1

進入 AgentOps → AI 助理監控，切換到 對話紀錄。

2

點選 全部成員，勾選要查看的成員（可複選、可輸入關鍵字搜尋）。需要時把 來源 設為 互動對話，並調整時間範圍；篩選列預設只顯示 近 90 天 的紀錄。

3

在列表中找 AI 助理 欄為 MaiGPT 的紀錄，點最右側的 詳情 查看完整的提問與回覆。

全部助理 下拉選單不會列出 MaiGPT，請改用成員篩選，再從 AI 助理 欄辨認 MaiGPT 的紀錄。需要整理成清單時，可以按 匯出，匯出檔會套用目前的篩選條件。

成員端的隱私說明見 MaiGPT 安全性與隱私。

匯出請求

在對話紀錄按下匯出後，系統會依目前的篩選條件（包含成員與來源）在背景產生 Excel，並顯示「匯出請求已建立，正在處理中...」。到左側功能欄的 AgentOps → 匯出請求，可查看每次匯出的狀態、發起匯出的使用者、記錄數、檔案大小、處理時長與建立／完成時間，狀態為已完成後即可從操作欄下載。

匯出請求列表：可看到狀態、發起匯出的使用者（已遮蔽）、記錄數與檔案大小

多位管理者共用同一個組織時，可從使用者欄分辨每份匯出檔是誰建立的，再決定要下載或刪除哪一份。

儀表板指標與錯誤率

切換到「儀表板」分頁，可看到整體服務指標，並附上與前一個相同長度區間的變化率：

指標	說明
對話數	區間內 Agent回覆的次數。同一個對話有幾輪 AI 回覆就計幾次；由真人客服接手回覆、排程自動執行的不計入（定義詳見下方說明）
錯誤率	發生系統錯誤的回覆比例（計算方式見下）
平均回應時間	從收到訊息到回覆完成的平均時間
平均 TTFT	使用者送出訊息到看到第一個字的平均時間

篩選列可選日期區間、全部助理、全部大語言模型，並以小時／每日／每月為粒度。儀表板只統計互動對話，排程執行請到「對話紀錄」查看。

儀表板指標卡與趨勢圖

儀表板圖表

指標卡下方的圖表，點圖例可切換該系列的顯示：

圖表	看什麼
對話量趨勢	區間內 Agent 回覆次數的變化
回應時間趨勢	回覆時間的平均值（Reply AVG）、P95 與 LLM 平均推理時間（LLM AVG）的變化
錯誤率趨勢	整體錯誤率的變化（計算方式見下方）
錯誤率分類趨勢	把錯誤拆成 Timeout、LLM、System、Tool Failure、Other 五類各自的趨勢。System 代表設定錯誤（例如模型或金鑰設定有問題）；模型串流中斷歸為 Timeout；使用者主動中斷（Client Interrupt）不計入錯誤
串流效能指標	左軸 TTFT（送出訊息到第一個字的時間）、右軸 TPS（每秒生成 Token 數）。TTFT 升高代表前置作業或模型啟動變慢，TPS 下降代表生成變慢
回答品質分數	區間內 Faithfulness（忠實性）與 Relevancy（回答相關性）的平均分數，範圍 0～1；只有開啟自動評估的 Agent 才有資料，見 AI 客服品質管理
LLM 模型分布	各模型的回覆占比
助理服務排名	比較各 Agent 的對話數、錯誤率、平均回覆時間與平均 TTFT，點欄位標題可排序

單一 Agent 的同一組圖表，在該 Agent 設定頁的「使用分析」→「監控指標」也看得到（需 AI 助理監控權限）。

對話數怎麼計算

儀表板的「對話數」與「對話量趨勢」是以 Agent 每一次回覆 為單位，不是以「開了幾個對話」為單位：

情境	是否計入	計入數量
使用者進入服務，但沒有送出訊息	不計	0
使用者送出 1 則訊息，AI 回覆 1 次	計	1
同一個對話中使用者問 5 次，AI 回覆 5 次	計	5
使用者送出訊息，但由真人客服接手回覆	不計	0
使用者送出訊息，AI 回覆時發生錯誤	計	1
排程自動執行的任務	不計	0

若要看「有多少個對話被開啟」，請改看 Agent「使用分析」分頁的「對話次數」：使用者送出第一則訊息即計 1，同一個對話不論幾輪只算 1，真人客服接手的對話也會計入。兩個數字的定義不同，一般情況下儀表板的「對話數」會大於「使用分析」的「對話次數」。詳見 使用分析。

錯誤率怎麼計算

錯誤率 ＝ 發生系統錯誤的回覆筆數 ÷ 總回覆筆數 × 100%

只有系統層的錯誤才會計入（例如模型呼叫失敗、逾時）。以下情況不列入錯誤，避免高估：

• 使用者主動中斷回覆（Client Interrupt）

• 內容防護機制（Hook）的正常攔截

錯誤率是「服務穩定度」指標，不是答題品質分數。錯誤率異常升高時，建議進入該 Agent 的對話紀錄查明原因（例如模型異常、外部工具串接失敗）；若要評估「回答得好不好」，請搭配誠實性／回答相關性評分與使用者的讚／倒讚回饋一起檢視。

監控最佳實踐

每日檢視：查看最近 24 小時的對話，識別異常的回應時間或錯誤

識別效能瓶頸：

• 回覆時間 > 10 秒：檢查知識庫檢索效率或考慮更快的 LLM

• Token 用量過高：評估是否可縮短 System Prompt 或對話歷史

品質問題追蹤：

1. 使用關鍵字搜尋找到問題對話

2. 分析根本原因（知識庫不足 / AI 理解錯誤 / 模型限制）

3. 將問題案例加入測試資料集，執行自動評估驗證修復

---

常見問題

Q：自動評估與 Agent 監控有什麼不同？

	自動評估	Agent 監控
用途	定期品質測試	即時運作監控
資料來源	預設的測試資料集	實際用戶對話
主要指標	成功率、回應時間	效能、成本、品質評分
適合對象	品質驗證、回歸測試	日常監控、問題排查

Q：多久執行一次評估？

建議：核心功能每週一次、完整測試每月一次、重大更新後立即執行。

後台沒有定期自動重跑測試集的排程設定，每次評估都由您手動按 開始評估 啟動；需要定期重跑時，可以由您自己的排程呼叫 執行單輪評估 API。Agent 進階設定裡的 開啟自動評估 是另一回事：開啟後每一則實際對話都會即時評分，結果顯示在 Agent 監控（見 AI 客服品質管理），不是定期執行測試集。

Q：評估會影響實際用戶嗎？

不會。自動評估使用獨立環境，不會干擾實際用戶的對話。

Q：使用者看到「無法生成回應，請稍後再試。」是什麼意思？

這是回覆流程發生系統層錯誤時給使用者的通用訊息，例如模型呼叫失敗、圖片或文字處理失敗、範本與混合模式處理失敗。它不是額度用完（額度用完顯示對話平台設定的 額度用完提示訊息），也不是 Hook 攔截（顯示 Hook 設定的攔截訊息）；Agent 執行逾時時，若有設定 逾時自訂訊息 會顯示該訊息。排查時到對話紀錄把 錯誤狀態 設為 有錯誤，用 錯誤類型 縮小範圍，再點 詳情 看錯誤內容；外部工具失敗另見 工具執行紀錄。

Q：監控數據保留多久？

監控資料不會依時間自動清除。需要在其他系統長期留存或分析時，請用 匯出請求 下載。方案到期後整個組織資料的保留期限，見 資料保留政策。