> Discover all available pages from the documentation index: https://mastra.zisheng.pro/zh-TW/llms.txt

# Tool 呼叫準確度評分器

Mastra 提供兩款 Tool 呼叫準確度評分器，用於評估 LLM 是否從可用選項中選擇正確的 Tool：

1. **以程式碼為基礎的評分器**——透過精確比對 Tool，進行確定性的評估
2. **以 LLM 為基礎的評分器**——使用 AI 評估適切性的語意評估

## 選擇評分器

### 適合使用以程式碼為基礎之評分器的情況

- 需要**確定且可重現**的結果
- 想測試**精確的 Tool 比對**
- 需要驗證**特定的 Tool 序列**
- 重視速度與成本（不呼叫 LLM）
- 正在執行自動化測試

### 適合使用以 LLM 為基礎之評分器的情況

- 需要從**語意上理解**適切性
- Tool 選擇取決於 **context 與意圖**
- 想處理要求釐清等**邊界情況**
- 需要評分決策的**說明**
- 正在評估**正式環境中的 Agent 行為**

## 以程式碼為基礎的 Tool 呼叫準確度評分器

`@mastra/evals/scorers/prebuilt` 的 `createToolCallAccuracyScorerCode()` 函式會依據精確的 Tool 比對，提供確定性的二元評分；它同時支援嚴格與寬鬆評估模式，以及 Tool 呼叫順序驗證。

### 參數

**expectedTool** (`string`): 指定任務應呼叫的 Tool 名稱。提供 expectedToolOrder 時會忽略此值。

**strictMode** (`boolean`): 控制評估的嚴格程度。單一 Tool 模式：只接受完全相符的單一 Tool 呼叫。順序檢查模式：Tool 必須完全相符，且不得有額外 Tool。

**expectedToolOrder** (`string[]`): 依預期呼叫順序排列的 Tool 名稱陣列。提供此值時會啟用順序檢查模式，並忽略 expectedTool 參數。

此函式會傳回 MastraScorer 類別的執行個體。如需 `.run()` 方法及其輸入／輸出的詳細資訊，請參閱 [MastraScorer 參考文件](https://mastra.zisheng.pro/zh-TW/reference/evals/mastra-scorer)。

### 評估模式

以程式碼為基礎的評分器有兩種不同模式：

#### 單一 Tool 模式

未提供 `expectedToolOrder` 時，評分器會評估單一 Tool 選擇：

- **標準模式（strictMode: false）**：只要呼叫預期的 Tool，無論是否呼叫其他 Tool，都會傳回 `1`
- **嚴格模式（strictMode: true）**：只有恰好呼叫一個 Tool，且與預期 Tool 相符時，才會傳回 `1`

#### 順序檢查模式

提供 `expectedToolOrder` 時，評分器會驗證 Tool 呼叫順序：

- **嚴格順序（strictMode: true）**：Tool 必須完全依指定順序呼叫，且不得有額外 Tool
- **彈性順序（strictMode: false）**：預期 Tool 必須以正確的相對順序出現（允許額外 Tool）

## 以程式碼為基礎的評分詳情

- **二元分數**：一律傳回 0 或 1
- **確定性**：相同輸入一律產生相同輸出
- **快速**：不呼叫外部 API

### 以程式碼為基礎的評分器選項

```typescript
// Standard mode - passes if expected tool is called
const lenientScorer = createCodeScorer({
  expectedTool: 'search-tool',
  strictMode: false,
})

// Strict mode - only passes if exactly one tool is called
const strictScorer = createCodeScorer({
  expectedTool: 'search-tool',
  strictMode: true,
})

// Order checking with strict mode
const strictOrderScorer = createCodeScorer({
  expectedTool: 'step1-tool',
  expectedToolOrder: ['step1-tool', 'step2-tool', 'step3-tool'],
  strictMode: true, // no extra tools allowed
})
```

### 以程式碼為基礎的評分器結果

```typescript
{
  runId: string,
  preprocessStepResult: {
    expectedTool: string,
    actualTools: string[],
    strictMode: boolean,
    expectedToolOrder?: string[],
    hasToolCalls: boolean,
    correctToolCalled: boolean,
    correctOrderCalled: boolean | null,
    toolCallInfos: ToolCallInfo[]
  },
  score: number // Always 0 or 1
}
```

## 以程式碼為基礎的評分器範例

以程式碼為基礎的評分器會依據精確的 Tool 比對，提供確定性的二元評分（0 或 1）。

### 選擇正確的 Tool

```typescript
const scorer = createToolCallAccuracyScorerCode({
  expectedTool: 'weather-tool',
})

// Simulate LLM input and output with tool call
const inputMessages = [
  createTestMessage({
    content: 'What is the weather like in New York today?',
    role: 'user',
    id: 'input-1',
  }),
]

const output = [
  createTestMessage({
    content: 'Let me check the weather for you.',
    role: 'assistant',
    id: 'output-1',
    toolInvocations: [
      createToolInvocation({
        toolCallId: 'call-123',
        toolName: 'weather-tool',
        args: { location: 'New York' },
        result: { temperature: '72°F', condition: 'sunny' },
        state: 'result',
      }),
    ],
  }),
]

const run = createAgentTestRun({ inputMessages, output })
const result = await scorer.run(run)

console.log(result.score) // 1
console.log(result.preprocessStepResult?.correctToolCalled) // true
```

### 嚴格模式評估

只有恰好呼叫一個 Tool 時才會通過：

```typescript
const strictScorer = createToolCallAccuracyScorerCode({
  expectedTool: 'weather-tool',
  strictMode: true,
})

// Multiple tools called - fails in strict mode
const output = [
  createTestMessage({
    content: 'Let me help you with that.',
    role: 'assistant',
    id: 'output-1',
    toolInvocations: [
      createToolInvocation({
        toolCallId: 'call-1',
        toolName: 'search-tool',
        args: {},
        result: {},
        state: 'result',
      }),
      createToolInvocation({
        toolCallId: 'call-2',
        toolName: 'weather-tool',
        args: { location: 'New York' },
        result: { temperature: '20°C' },
        state: 'result',
      }),
    ],
  }),
]

const result = await strictScorer.run(run)
console.log(result.score) // 0 - fails because multiple tools were called
```

### Tool 順序驗證

驗證 Tool 是否依特定順序呼叫：

```typescript
const orderScorer = createToolCallAccuracyScorerCode({
  expectedTool: 'auth-tool', // ignored when order is specified
  expectedToolOrder: ['auth-tool', 'fetch-tool'],
  strictMode: true, // no extra tools allowed
})

const output = [
  createTestMessage({
    content: 'I will authenticate and fetch the data.',
    role: 'assistant',
    id: 'output-1',
    toolInvocations: [
      createToolInvocation({
        toolCallId: 'call-1',
        toolName: 'auth-tool',
        args: { token: 'abc123' },
        result: { authenticated: true },
        state: 'result',
      }),
      createToolInvocation({
        toolCallId: 'call-2',
        toolName: 'fetch-tool',
        args: { endpoint: '/data' },
        result: { data: ['item1'] },
        state: 'result',
      }),
    ],
  }),
]

const result = await orderScorer.run(run)
console.log(result.score) // 1 - correct order
```

### 彈性順序模式

只要預期 Tool 維持相對順序，即可允許額外 Tool：

```typescript
const flexibleOrderScorer = createToolCallAccuracyScorerCode({
  expectedTool: 'auth-tool',
  expectedToolOrder: ['auth-tool', 'fetch-tool'],
  strictMode: false, // allows extra tools
})

const output = [
  createTestMessage({
    content: 'Performing comprehensive operation.',
    role: 'assistant',
    id: 'output-1',
    toolInvocations: [
      createToolInvocation({
        toolCallId: 'call-1',
        toolName: 'auth-tool',
        args: { token: 'abc123' },
        result: { authenticated: true },
        state: 'result',
      }),
      createToolInvocation({
        toolCallId: 'call-2',
        toolName: 'log-tool', // Extra tool - OK in flexible mode
        args: { message: 'Starting fetch' },
        result: { logged: true },
        state: 'result',
      }),
      createToolInvocation({
        toolCallId: 'call-3',
        toolName: 'fetch-tool',
        args: { endpoint: '/data' },
        result: { data: ['item1'] },
        state: 'result',
      }),
    ],
  }),
]

const result = await flexibleOrderScorer.run(run)
console.log(result.score) // 1 - auth-tool comes before fetch-tool
```

## 以 LLM 為基礎的 Tool 呼叫準確度評分器

`@mastra/evals/scorers/prebuilt` 的 `createToolCallAccuracyScorerLLM()` 函式會使用 LLM 評估 Agent 呼叫的 Tool 是否適合使用者要求，提供語意評估，而非精確比對。

### 參數

**model** (`MastraModelConfig`): 用於評估 Tool 適切性的 LLM 模型

**availableTools** (`Array<{name: string, description: string}>`): 可用 Tool 及其說明的清單，用來提供 context

### 功能

以 LLM 為基礎的評分器提供：

- **語意評估**：理解 context 與使用者意圖
- **適切性評估**：區分「有幫助」與「適合」的 Tool
- **釐清處理**：辨識 Agent 適當要求釐清的情況
- **遺漏 Tool 偵測**：找出原本應該呼叫的 Tool
- **產生理由**：提供評分決策的說明

### 評估流程

1. **擷取 Tool 呼叫**：識別 Agent 輸出中提及的 Tool
2. **分析適切性**：依據使用者要求評估各 Tool
3. **產生分數**：根據適當 Tool 與 Tool 總數計算分數
4. **產生理由**：提供方便人員閱讀的說明

## 以 LLM 為基礎的評分詳情

- **小數分數**：傳回介於 0.0 到 1.0 的值
- **理解 context**：考量使用者意圖與適切性
- **提供說明**：提供分數的理由

### 以 LLM 為基礎的評分器選項

```typescript
// Basic configuration
const basicLLMScorer = createLLMScorer({
  model: 'openai/gpt-5.6-sol',
  availableTools: [
    { name: 'tool1', description: 'Description 1' },
    { name: 'tool2', description: 'Description 2' }
  ]
});

// With different model
const customModelScorer = createLLMScorer({
  model: 'openai/gpt-5', // More powerful model for complex evaluations
  availableTools: [...]
});
```

### 以 LLM 為基礎的評分器結果

```typescript
{
  runId: string,
  score: number,  // 0.0 to 1.0
  reason: string, // Human-readable explanation
  analyzeStepResult: {
    evaluations: Array<{
      toolCalled: string,
      wasAppropriate: boolean,
      reasoning: string
    }>,
    missingTools?: string[]
  }
}
```

## 以 LLM 為基礎的評分器範例

以 LLM 為基礎的評分器使用 AI 評估所選 Tool 是否適合使用者要求。

### 基本 LLM 評估

```typescript
const llmScorer = createToolCallAccuracyScorerLLM({
  model: 'openai/gpt-5.6-sol',
  availableTools: [
    {
      name: 'weather-tool',
      description: 'Get current weather information for any location',
    },
    {
      name: 'calendar-tool',
      description: 'Check calendar events and scheduling',
    },
    {
      name: 'search-tool',
      description: 'Search the web for general information',
    },
  ],
})

const inputMessages = [
  createTestMessage({
    content: 'What is the weather like in San Francisco today?',
    role: 'user',
    id: 'input-1',
  }),
]

const output = [
  createTestMessage({
    content: 'Let me check the current weather for you.',
    role: 'assistant',
    id: 'output-1',
    toolInvocations: [
      createToolInvocation({
        toolCallId: 'call-123',
        toolName: 'weather-tool',
        args: { location: 'San Francisco', date: 'today' },
        result: { temperature: '68°F', condition: 'foggy' },
        state: 'result',
      }),
    ],
  }),
]

const run = createAgentTestRun({ inputMessages, output })
const result = await llmScorer.run(run)

console.log(result.score) // 1.0 - appropriate tool usage
console.log(result.reason) // "The agent correctly used the weather-tool to address the user's request for weather information."
```

### 處理不適當的 Tool 使用情形

```typescript
const inputMessages = [
  createTestMessage({
    content: 'What is the weather in Tokyo?',
    role: 'user',
    id: 'input-1',
  }),
]

const inappropriateOutput = [
  createTestMessage({
    content: 'Let me search for that information.',
    role: 'assistant',
    id: 'output-1',
    toolInvocations: [
      createToolInvocation({
        toolCallId: 'call-456',
        toolName: 'search-tool', // Less appropriate than weather-tool
        args: { query: 'Tokyo weather' },
        result: { results: ['Tokyo weather data...'] },
        state: 'result',
      }),
    ],
  }),
]

const run = createAgentTestRun({ inputMessages, output: inappropriateOutput })
const result = await llmScorer.run(run)

console.log(result.score) // 0.5 - partially appropriate
console.log(result.reason) // "The agent used search-tool when weather-tool would have been more appropriate for a direct weather query."
```

### 評估釐清要求

LLM 評分器能辨識 Agent 適當要求釐清的情況：

```typescript
const vagueInput = [
  createTestMessage({
    content: 'I need help with something',
    role: 'user',
    id: 'input-1'
  })
];

const clarificationOutput = [
  createTestMessage({
    content: 'I'd be happy to help! Could you please provide more details about what you need assistance with?',
    role: 'assistant',
    id: 'output-1',
    // No tools called - asking for clarification instead
  })
];

const run = createAgentTestRun({
  inputMessages: vagueInput,
  output: clarificationOutput
});
const result = await llmScorer.run(run);

console.log(result.score); // 1.0 - appropriate to ask for clarification
console.log(result.reason); // "The agent appropriately asked for clarification rather than calling tools with insufficient information."
```

## 比較兩款評分器

以下範例會使用兩款評分器評估相同資料：

```typescript
import {
  createToolCallAccuracyScorerCode as createCodeScorer,
  createToolCallAccuracyScorerLLM as createLLMScorer,
} from '@mastra/evals/scorers/prebuilt'

// Setup both scorers
const codeScorer = createCodeScorer({
  expectedTool: 'weather-tool',
  strictMode: false,
})

const llmScorer = createLLMScorer({
  model: 'openai/gpt-5.6-sol',
  availableTools: [
    { name: 'weather-tool', description: 'Get weather information' },
    { name: 'search-tool', description: 'Search the web' },
  ],
})

// Test data
const run = createAgentTestRun({
  inputMessages: [
    createTestMessage({
      content: 'What is the weather?',
      role: 'user',
      id: 'input-1',
    }),
  ],
  output: [
    createTestMessage({
      content: 'Let me find that information.',
      role: 'assistant',
      id: 'output-1',
      toolInvocations: [
        createToolInvocation({
          toolCallId: 'call-1',
          toolName: 'search-tool',
          args: { query: 'weather' },
          result: { results: ['weather data'] },
          state: 'result',
        }),
      ],
    }),
  ],
})

// Run both scorers
const codeResult = await codeScorer.run(run)
const llmResult = await llmScorer.run(run)

console.log('Code Scorer:', codeResult.score) // 0 - wrong tool
console.log('LLM Scorer:', llmResult.score) // 0.3 - partially appropriate
console.log('LLM Reason:', llmResult.reason) // Explains why search-tool is less appropriate
```

## 相關資源

- [答案相關性評分器](https://mastra.zisheng.pro/zh-TW/reference/evals/answer-relevancy)
- [完整度評分器](https://mastra.zisheng.pro/zh-TW/reference/evals/completeness)
- [Faithfulness 評分器](https://mastra.zisheng.pro/zh-TW/reference/evals/faithfulness)
- [自訂評分器](https://mastra.zisheng.pro/zh-TW/docs/evals/custom-scorers)