查看结果与执行轨迹
从整体指标进入 Case 明细,区分回答质量、执行失败和评分失败,再结合冻结配置解释一次评测。
适用对象:需要分析结果、导出低分样例和定位问题的使用者。核对基线:2026-10-30 项目当前实现;已部署环境的入口可能随版本和权限有所不同。
检索关键词:平均分、有效评分、通过率、低分、导出、失败重试、Trace。
1. 先检查有效评分与失败数
- 打开任务进入“结果”,先看任务状态、Case 执行进度和有效评分数。
- 查看平均分、分数分布和各评估器的成功、失败、取消数量,再决定是否有足够结果支撑判断。
- 切换“配置”,核对评测集、被测对象、评估器版本、随机抽样设置与字段映射等冻结内容。
平均分和分布只统计成功得到的有效 Score,失败与空分不当作 0。一个 Case 使用多个评估器会产生多条评分,评分次数不等于样例数。例如两条 Case、两个评估器产生四条评分,其中三条有效时,不能用“3/2”解释成功率。
如果任务配置带有通过阈值,通过率表示“达到阈值的有效评分数 ÷ 有效评分数”,失败和取消项另列。没有阈值或没有有效评分时,不应把空白指标当成 0%。该指标只提供质量信息,不自动判定能否发布。
2. 定位低分或失败 Case
- 先用“分数不高于”限定低分范围,选择“最低分优先”定位最需检查的 Case。
- 需要缩小范围时打开“更多筛选”,组合评估器、评分状态、Case 状态、执行证据完整度和关键词。
- 若任务有冻结的动态筛选字段,可按文本精确值、数值范围、布尔值、字段缺失或 NULL 过滤。未冻结的字段仍可在详情查看,不一定支持列表筛选。
- 点击 Case 明细进入抽屉,查看评测内容、Judge 评分、Reason、输入输出及失败原因。必要时查看原始数据快照。
Agent 调用成功不等于 Judge 成功;Judge 解析失败不等于回答质量为零。应先区分被测对象执行阶段和评分阶段,再决定修改接入、数据还是评分规则。
3. 阅读执行轨迹
- 在线 Agent Case 有可用轨迹时,在详情查看执行轨迹区域的采集状态、完整度和步骤树。
- 展开有问题的步骤,核对状态与脱敏后的输入输出预览;有耗时、Token 或成本数据时,结合来源覆盖范围解释。
- 只有外部引用而无步骤明细时,按安全链接进入来源系统。部分缺失、截断或未采集完成均不能当作完整执行记录。
当前 AE Agent / TE Claude 轨迹主要覆盖已记录的工具与子 Agent 调用、父子关系和脱敏预览;不代表包含完整模型推理、远端委派内部步骤或全部耗时成本。大模型直调和预置结果没有真实 Agent 工具链路。
最终回答评分可在无轨迹时完成;显式依赖 execution_trace 或 tool_calls 的过程评估器要求可用、完整的证据。证据不满足时仅该项评分失败并保留空分。重试采集成功不会自动改写已有历史评分。
4. 重试失败 Case
- 任务为“失败”或“部分失败”且存在 Agent 阶段失败 Case 时,使用“重试失败 Case”。
- 阅读确认说明:仅重试 Agent 阶段 FAILED、BLOCKED、UNKNOWN 等符合条件的 Case,已成功 Case 不重跑。
- 重试沿用当前 Run 的冻结快照,新的结果覆盖这些失败 Case 当前结果,并重新计算聚合。重试后继续查看状态与失败原因。
该入口不是任意重跑所有低分回答或仅 Judge 失败项的功能。若修改了数据、模型或规则并希望验证新配置,应复制任务、核对版本和映射后发起新评测。
5. 复制与导出
- 按需求设置筛选条件和分数上限,确认列表对应要导出的范围。
- 点击“导出”,选择“当前筛选结果”的 CSV 或 JSONL,等待后台生成文件并下载。
- 单条 Case 可使用“复制结构化 JSON”;浏览器阻止自动复制时,按页面提示手动选择文本复制。
本版默认通过当前筛选结果导出低分 Case,没有单独开放低分导出菜单。普通复制和导出不包含 Trace 步骤明细、外部 Trace URL、Provider Request ID 或工具参数结果;需要这些信息时在有权限的详情和来源系统中查看。
6. 下一步与相关页面
- 用新配置重新评测:创建评估任务与字段映射。
- 检查 Judge 一致性:可信度与校准。
- 处理模型调用或解析问题:模型。
返回使用手册首页:

