Evaluation

O Agent Framework inclui um framework de avaliação incorporado que lhe permite medir a qualidade, segurança e correção dos agentes. Pode fazer verificações locais rápidas durante o desenvolvimento, usar os avaliadores baseados na cloud do Azure AI Foundry para avaliação de produção, ou combinar ambos numa única execução de avaliação.

O quadro de avaliação é concebido em torno de alguns princípios-chave:

  • Agnóstico ao prestador — Os tipos principais de avaliação e as funções de orquestração funcionam com qualquer prestador de avaliação.
  • Zero atritos — Passa de "tenho um agente" para "tenho resultados de avaliação" com código mínimo.
  • Divulgação progressiva — Cenários simples requerem código quase zero. Cenários avançados baseiam-se nos mesmos primitivos.

Conceitos-chave

O quadro de avaliação baseia-se em três tipos:

Tipo Purpose
EvalItem Um único item a avaliar — abrange toda a conversa e gera a consulta/resposta através de uma estratégia de divisão.
Avaliador Um fornecedor que pontua itens — verificações locais, Azure AI Foundry ou qualquer implementação personalizada.
EvalResults Resultados agregados de uma execução de avaliação — contagens de sucesso/insucesso, detalhes por item e links opcionais para o portal.

Em .NET, o quadro de avaliação baseia-se em Microsoft. Extensões.AI.Avaliação. Os avaliadores implementam a IAgentEvaluator interface, e a orquestração é fornecida através de métodos de extensão em AIAgent e Run.

Os tipos principais estão no espaço de nomes Microsoft.Agents.AI:

using Microsoft.Agents.AI;

Em Python, o quadro de avaliação faz parte do pacote central agent_framework. Os avaliadores implementam o protocolo Evaluator, e a orquestração é fornecida através das funções evaluate_agent() e evaluate_workflow().

from agent_framework import (
    evaluate_agent,
    evaluate_workflow,
    EvalItem,
    EvalResults,
    LocalEvaluator,
)

Avaliadores locais

LocalEvaluator executa verificações localmente sem chamadas de API — ideal para desenvolvimento em circuito interno, testes de fumo de CI e iteração rápida. Aceita qualquer número de funções de verificação e aplica cada uma a cada item.

Verificações incorporadas

O Agent Framework inclui verificações integradas para cenários comuns:

using Microsoft.Agents.AI;

var local = new LocalEvaluator(
    EvalChecks.KeywordCheck("weather", "temperature"),  // Response must contain these keywords
    EvalChecks.ToolCalledCheck("get_weather")            // Agent must have called this tool
);

Avaliadores de funções personalizados

Use FunctionEvaluator.Create() para envolver qualquer função como uma verificação do avaliador. Existem múltiplas sobrecargas disponíveis dependendo dos dados de que precisa:

using Microsoft.Agents.AI;

var local = new LocalEvaluator(
    // Simple: check only the response text
    FunctionEvaluator.Create("is_concise",
        (string response) => response.Split(' ').Length < 500),

    // With expected output: compare against ground truth
    FunctionEvaluator.Create("mentions_city",
        (string response, string? expectedOutput) =>
            expectedOutput != null && response.Contains(expectedOutput, StringComparison.OrdinalIgnoreCase)),

    // Full context: access the complete EvalItem
    FunctionEvaluator.Create("used_search",
        (EvalItem item) => item.Conversation.Any(m =>
            m.Text?.Contains("search", StringComparison.OrdinalIgnoreCase) == true))
);

Verificações incorporadas

O Agent Framework inclui verificações integradas para cenários comuns:

Verificar O que faz
keyword_check(*keywords) A resposta deve conter todas as palavras-chave especificadas
tool_called_check(*tool_names) O agente deve ter chamado as ferramentas especificadas
tool_calls_present Todos os nomes expected_tool_calls aparecem na conversa (não ordenados, extras são permitidos)
tool_call_args_match Chamadas de ferramenta esperadas correspondem pelo nome e argumentos (correspondência de subconjunto em args)
from agent_framework import (
    LocalEvaluator,
    keyword_check,
    tool_called_check,
    tool_calls_present,
    tool_call_args_match,
)

local = LocalEvaluator(
    keyword_check("weather", "temperature"),  # Response must contain these keywords
    tool_called_check("get_weather"),          # Agent must have called this tool
    tool_calls_present,                        # All expected tool call names were made
    tool_call_args_match,                      # Expected tool calls match on name + args
)

Avaliadores de funções personalizados

Use o decorador @evaluator para envolver qualquer função como uma avaliação do avaliador. Os nomes dos parâmetros da função determinam que dados recebe dos EvalItem:

from agent_framework import evaluator, LocalEvaluator

@evaluator
def is_concise(response: str) -> bool:
    """Check response is under 500 words."""
    return len(response.split()) < 500

@evaluator
def mentions_city(response: str, expected_output: str) -> bool:
    """Check response contains the expected city name."""
    return expected_output.lower() in response.lower()

@evaluator
def used_tools(conversation: list, tools: list) -> float:
    """Score based on tool usage. Returns 0.0–1.0 (>= 0.5 passes)."""
    tool_calls = [c for m in conversation for c in (m.contents or []) if c.type == "function_call"]
    return min(len(tool_calls) / max(len(tools), 1), 1.0)

local = LocalEvaluator(is_concise, mentions_city, used_tools)

Nomes de parâmetros suportados: query, response, expected_outputexpected_tool_calls, , conversation, tools, . context

Tipos de retorno: bool, float (≥ 0,5 = passar), dict com a chave score ou passed, ou CheckResult. As funções assíncronas são tratadas automaticamente.

Avaliadores do Azure AI Foundry

FoundryEvals liga-se ao serviço de avaliação do Azure AI Foundry para a avaliação de LLM como juiz baseada na cloud. Os resultados podem ser visualizados no portal Foundry com painéis e vistas de comparação.

using Microsoft.Agents.AI.AzureAI;

var foundry = new FoundryEvals(chatConfiguration, FoundryEvals.Relevance, FoundryEvals.Coherence);
from agent_framework.foundry import FoundryEvals

evals = FoundryEvals(
    project_client=project_client,
    model="gpt-4o",
    evaluators=[FoundryEvals.RELEVANCE, FoundryEvals.COHERENCE],
)

Por defeito, FoundryEvals executa avaliadores de relevância, coerência e adesão às tarefas . Quando os itens contêm definições de ferramentas, adicionam automaticamente precisão nas chamadas de ferramenta.

Avaliadores disponíveis

FoundryEvals fornece constantes para todos os nomes de avaliadores incorporados:

Categoria Avaliadores
Comportamento do agente intent_resolution, task_adherence, task_completion, task_navigation_efficiency
Utilização da ferramenta tool_call_accuracy, tool_selection, tool_input_accuracy, tool_output_utilization, tool_call_success
Qualidade coherence, fluency, relevance, groundedness, response_completeness, similarity
Safety violence, sexual, self_harm, hate_unfairness

Observação

FoundryEvals requer um projeto Azure AI Foundry com implementação de um modelo de IA. O model parâmetro especifica qual modelo usar como juiz do LLM.

Avalie um agente

O cenário de avaliação mais simples executa um agente com consultas de teste e pontua as respostas. Forneça múltiplas consultas diversas para uma avaliação estatisticamente significativa.

using Microsoft.Agents.AI;
using Microsoft.Agents.AI.Foundry;

var foundry = new FoundryEvals(chatConfiguration, FoundryEvals.Relevance, FoundryEvals.Coherence);

AgentEvaluationResults results = await agent.EvaluateAsync(
    new[]
    {
        "What's the weather in Seattle?",
        "Plan a weekend trip to Portland",
        "What restaurants are near Pike Place?",
    },
    foundry);

results.AssertAllPassed();  // Throws if any item failed

EvaluateAsync é um método de extensão em AIAgent. Executa o agente uma vez por consulta, converte cada interação para um EvalItem, e passa o lote ao avaliador.

from agent_framework import evaluate_agent
from agent_framework.foundry import FoundryEvals

evals = FoundryEvals(
    project_client=project_client,
    model="gpt-4o",
    evaluators=[FoundryEvals.RELEVANCE, FoundryEvals.COHERENCE],
)

results = await evaluate_agent(
    agent=my_agent,
    queries=[
        "What's the weather in Seattle?",
        "Plan a weekend trip to Portland",
        "What restaurants are near Pike Place?",
    ],
    evaluators=evals,
)

for r in results:
    print(f"{r.provider}: {r.passed}/{r.total}")
    r.raise_for_status()  # Raises EvalNotPassedError if any item failed

evaluate_agent executa o agente uma vez por consulta, converte cada interação para um EvalItem, e passa o lote ao avaliador. Retorna um EvalResults por provedor de avaliação.

Consistência de medidas com repetições

Execute cada consulta várias vezes para detetar comportamentos não determinísticos:

AgentEvaluationResults results = await agent.EvaluateAsync(
    new[] { "What's the weather in Seattle?" },
    foundry,
    numRepetitions: 3);  // Each query runs 3 times independently
// Results contain 3 items (1 query × 3 repetitions)
results = await evaluate_agent(
    agent=my_agent,
    queries=["What's the weather in Seattle?"],
    evaluators=evals,
    num_repetitions=3,  # Each query runs 3 times independently
)
# Results contain 3 items (1 query × 3 repetitions)

Avaliar, comparando com os resultados esperados

Forneça respostas de verdade básica para avaliar a correção. As saídas esperadas são emparelhadas posicionalmente com as consultas:

AgentEvaluationResults results = await agent.EvaluateAsync(
    new[] { "What's 2+2?", "Capital of France?" },
    foundry,
    expectedOutput: new[] { "4", "Paris" });

Também pode especificar chamadas de ferramenta esperadas:

AgentEvaluationResults results = await agent.EvaluateAsync(
    new[] { "What's the weather in NYC?" },
    new LocalEvaluator(EvalChecks.ToolCalledCheck("get_weather")),
    expectedToolCalls: new[]
    {
        new[] { new ExpectedToolCall("get_weather") },
    });
from agent_framework import evaluate_agent, ExpectedToolCall

results = await evaluate_agent(
    agent=my_agent,
    queries=["What's 2+2?", "Capital of France?"],
    expected_output=["4", "Paris"],
    evaluators=evals,
)

Também pode especificar chamadas de ferramenta esperadas:

results = await evaluate_agent(
    agent=my_agent,
    queries=["What's the weather in NYC?"],
    expected_tool_calls=[ExpectedToolCall("get_weather", {"location": "NYC"})],
    evaluators=local,
)

Avaliar respostas pré-existentes

Quando já tiver respostas de agentes a partir de registos ou execuções anteriores, avalie-as diretamente sem repetir a execução do agente:

var response = await agent.RunAsync(new[] { new ChatMessage(ChatRole.User, "What's the weather?") });

AgentEvaluationResults results = await agent.EvaluateAsync(
    new[] { response },
    new[] { "What's the weather?" },
    foundry);
from agent_framework import Message, evaluate_agent

response = await agent.run([Message("user", ["What's the weather?"])])

results = await evaluate_agent(
    agent=agent,
    responses=response,
    queries="What's the weather?",
    evaluators=evals,
)

Estratégias de divisão de conversa

As conversas com múltiplas voltas devem ser divididas em metades de consulta e resposta para avaliação. A forma como divides determina o que estás a avaliar.

Estratégia Comportamento Melhor para
Último turno (padrão) Dividir na última mensagem do utilizador. Tudo até lá é contexto de consulta; tudo depois disso é a resposta. Qualidade da resposta num ponto específico
Completo A primeira mensagem do utilizador é a consulta; O resto inteiro é a resposta. Conclusão da tarefa e trajetória geral
Por turno Cada interação entre o utilizador e o assistente é pontuada independentemente, considerando o contexto acumulado. Análise detalhada
// Full conversation as context
AgentEvaluationResults results = await agent.EvaluateAsync(
    new[] { "Plan a 3-day trip to Paris" },
    foundry,
    splitter: ConversationSplitters.Full);

// Per-turn: each exchange scored independently
var items = EvalItem.PerTurnItems(conversation);
var perTurnResults = await evaluator.EvaluateAsync(items);

Também pode implementar um divisor personalizado implementando IConversationSplitter:

public class SplitBeforeToolCall : IConversationSplitter
{
    public (IReadOnlyList<ChatMessage> QueryMessages, IReadOnlyList<ChatMessage> ResponseMessages) Split(
        IReadOnlyList<ChatMessage> conversation)
    {
        // Custom split logic
        for (int i = 0; i < conversation.Count; i++)
        {
            if (conversation[i].Text?.Contains("tool_call") == true)
                return (conversation.Take(i).ToList(), conversation.Skip(i).ToList());
        }
        return ConversationSplitters.LastTurn.Split(conversation);
    }
}
from agent_framework import evaluate_agent, ConversationSplit

# Full conversation as context
results = await evaluate_agent(
    agent=agent,
    queries=["Plan a 3-day trip to Paris"],
    evaluators=evals,
    conversation_split=ConversationSplit.FULL,
)

# Per-turn: each exchange scored independently
from agent_framework import EvalItem

items = EvalItem.per_turn_items(conversation)
# Pass items directly to an evaluator
per_turn_results = await evaluator.evaluate(items)

Também pode disponibilizar um divisor personalizado — qualquer dispositivo de chamada que receba uma conversa e retorne (query_messages, response_messages):

def split_before_memory(conversation):
    """Split just before a memory-retrieval tool call."""
    for i, msg in enumerate(conversation):
        for c in msg.contents or []:
            if c.type == "function_call" and c.name == "retrieve_memory":
                return conversation[:i], conversation[i:]
    # Fallback to default
    return EvalItem._split_last_turn_static(conversation)

results = await evaluate_agent(
    agent=agent,
    queries=queries,
    evaluators=evals,
    conversation_split=split_before_memory,
)

Avaliar fluxos de trabalho

Avaliação dos fluxos de trabalho de múltiplos agentes com um desdobramento por agente. A estrutura extrai as interações de cada subagente e avalia-as individualmente, juntamente com a saída global do fluxo de trabalho.

using Microsoft.Agents.AI;
using Microsoft.Agents.AI.AzureAI;

Run run = await workflowRunner.RunAsync(workflow, "Plan a trip to Paris");

AgentEvaluationResults results = await run.EvaluateAsync(
    new FoundryEvals(chatConfiguration, FoundryEvals.Relevance));

Console.WriteLine($"Overall: {results.Passed}/{results.Total}");

// Per-agent breakdown
if (results.SubResults != null)
{
    foreach (var (name, sub) in results.SubResults)
    {
        Console.WriteLine($"  {name}: {sub.Passed}/{sub.Total}");
    }
}

results.AssertAllPassed();
from agent_framework import evaluate_workflow
from agent_framework.foundry import FoundryEvals

evals = FoundryEvals(project_client=project_client, model="gpt-4o")
result = await workflow.run("Plan a trip to Paris")

eval_results = await evaluate_workflow(
    workflow=workflow,
    workflow_result=result,
    evaluators=evals,
)

for r in eval_results:
    print(f"{r.provider}: {r.passed}/{r.total}")
    for name, sub in r.sub_results.items():
        print(f"  {name}: {sub.passed}/{sub.total}")

Também pode passar queries diretamente e o framework irá executar o fluxo de trabalho por si:

eval_results = await evaluate_workflow(
    workflow=workflow,
    queries=["Plan a trip to Paris", "Book a flight to London"],
    evaluators=evals,
)

Misture múltiplos avaliadores

Execute verificações locais e avaliadores baseados na cloud em conjunto numa única avaliação. Cada avaliador produz o seu próprio EvalResults.

using Microsoft.Agents.AI;
using Microsoft.Agents.AI.AzureAI;

IReadOnlyList<AgentEvaluationResults> results = await agent.EvaluateAsync(
    new[] { "What's the weather in Seattle?" },
    evaluators: new IAgentEvaluator[]
    {
        new LocalEvaluator(
            EvalChecks.KeywordCheck("weather"),
            FunctionEvaluator.Create("is_helpful", (string r) => r.Split(' ').Length > 10)),
        new FoundryEvals(chatConfiguration, FoundryEvals.Relevance, FoundryEvals.Coherence),
    });

// results[0] = local evaluator results
// results[1] = Foundry evaluator results
foreach (var r in results)
{
    Console.WriteLine($"{r.Provider}: {r.Passed}/{r.Total}");
}
from agent_framework import evaluate_agent, evaluator, LocalEvaluator, keyword_check
from agent_framework.foundry import FoundryEvals

@evaluator
def is_helpful(response: str) -> bool:
    return len(response.split()) > 10

foundry = FoundryEvals(
    project_client=project_client,
    model="gpt-4o",
    evaluators=[FoundryEvals.RELEVANCE, FoundryEvals.COHERENCE],
)

results = await evaluate_agent(
    agent=agent,
    queries=["What's the weather in Seattle?"],
    evaluators=[
        LocalEvaluator(is_helpful, keyword_check("weather")),
        foundry,
    ],
)

# results[0] = local evaluator results
# results[1] = Foundry evaluator results
for r in results:
    print(f"{r.provider}: {r.passed}/{r.total}")

Avaliadores MEAI

O quadro de avaliação .NET integra-se diretamente com Microsoft.Extensions.AI.Evaluation. Os avaliadores de qualidade e segurança da MEAI trabalham sem qualquer adaptador:

using Microsoft.Extensions.AI.Evaluation;
using Microsoft.Extensions.AI.Evaluation.Quality;
using Microsoft.Extensions.AI.Evaluation.Safety;

// Quality evaluators
AgentEvaluationResults results = await agent.EvaluateAsync(
    new[] { "What's the weather?" },
    new CompositeEvaluator(
        new RelevanceEvaluator(),
        new CoherenceEvaluator(),
        new GroundednessEvaluator()),
    chatConfiguration: new ChatConfiguration(evalClient));

// Safety evaluators
AgentEvaluationResults safetyResults = await agent.EvaluateAsync(
    new[] { "What's the weather?" },
    new ContentHarmEvaluator(),
    chatConfiguration: new ChatConfiguration(evalClient));

Sugestão

Ao utilizar avaliadores MEAI, forneça um chatConfiguration parâmetro com um cliente de chat configurado para o modelo de avaliação. Este cliente é utilizado pelos avaliadores do LLM como juízes para pontuar respostas.

Observação

O suporte para esta funcionalidade do go está a chegar em breve. Consulte o repositório Agent Framework Go para o estado mais recente.

Passos seguintes