CI で Scorer を実行する

CI パイプラインで Scorer を実行すると、時間の経過に伴う Agent の品質を測定するための定量的な指標を得られます。runEvals 関数は、Agent または Workflow を通じて複数のテストケースを処理し、集計スコアを返します。

基本設定

Vitest、Jest、Mocha など、ESM モジュールをサポートする任意のテストフレームワークを使用できます。

テストケースの作成

runEvals を使用して、複数のテストケースに対して Agent を評価します。この関数はデータ項目の配列を受け取ります。各項目には input と、Scorer の検証に使用する任意の groundTruth が含まれます。

src/mastra/agents/weather-agent.test.ts

import { describe, it, expect } from 'vitest'
import { createScorer, runEvals } from '@mastra/core/evals'
import { weatherAgent } from './weather-agent'
import { locationScorer } from '../scorers/location-scorer'

describe('Weather Agent Tests', () => {
  it('should correctly extract locations from queries', async () => {
    const result = await runEvals({
      data: [
        {
          input: 'weather in Berlin',
          groundTruth: { expectedLocation: 'Berlin', expectedCountry: 'DE' },
        },
        {
          input: 'weather in Berlin, Maryland',
          groundTruth: { expectedLocation: 'Berlin', expectedCountry: 'US' },
        },
        {
          input: 'weather in Berlin, Russia',
          groundTruth: { expectedLocation: 'Berlin', expectedCountry: 'RU' },
        },
      ],
      target: weatherAgent,
      scorers: [locationScorer],
    })

    // Assert aggregate score meets threshold
    expect(result.scores['location-accuracy']).toBe(1)
    expect(result.summary.totalItems).toBe(3)
  })
})

結果を理解する

runEvals 関数は、次の内容を持つオブジェクトを返します。

• scores: すべてのテストケースにおける各 Scorer の平均スコア
• summary.totalItems: 処理されたテストケースの総数

{
  scores: {
    'location-accuracy': 1.0,  // Average score across all items
    'another-scorer': 0.85
  },
  summary: {
    totalItems: 3
  }
}

複数のテストシナリオ

評価シナリオごとに個別のテストケースを作成します。

src/mastra/agents/weather-agent.test.ts

describe('Weather Agent Tests', () => {
  const locationScorer = createScorer({/* ... */})

  it('should handle location disambiguation', async () => {
    const result = await runEvals({
      data: [
        {
          input: 'weather in Berlin',
          groundTruth: {/* ... */},
        },
        {
          input: 'weather in Berlin, Maryland',
          groundTruth: {/* ... */},
        },
      ],
      target: weatherAgent,
      scorers: [locationScorer],
    })

    expect(result.scores['location-accuracy']).toBe(1)
  })

  it('should handle typos and misspellings', async () => {
    const result = await runEvals({
      data: [
        {
          input: 'weather in Berln',
          groundTruth: { expectedLocation: 'Berlin', expectedCountry: 'DE' },
        },
        {
          input: 'weather in Parris',
          groundTruth: { expectedLocation: 'Paris', expectedCountry: 'FR' },
        },
      ],
      target: weatherAgent,
      scorers: [locationScorer],
    })

    expect(result.scores['location-accuracy']).toBe(1)
  })
})

次のステップ

• カスタム Scorer の作成について学ぶ
• 組み込み Scorerを確認する
• Memory が有効な Agentに対して Scorer を実行する
• runEvals API リファレンスを読む