评测实验执行完成后，可查看本次实验生成的评测报告。通过分析评测实验结果，可以从能力雷达图、效率与成本分析、分维度表现、运行记录等多个能力维度，量化评估技能的实际表现，全面掌握技能整体能力与资源消耗情况。对于需要深入分析的问题，可进入运行记录逐条浏览样本的输入、输出与分维度评分，精准定位低分或异常样本；再结合轨迹详情与报告中的调优建议，系统性地排查并修复技能问题，持续提升技能输出质量。 ## 前提条件技能评测任务已发起并执行完成，具体操作请参见 [发起技能评测实验](https://docs.volcengine.com/docs/AgentKit/ManagementSkillsAssessment?lang=zh)。 ## 查看评测报告并修复技能问题借助评测报告，您可以基于统一量化评估技能的业务执行效率与成本、多维度能力表现等，快速定位能力短板，获取可落地的优化建议，为技能迭代优化、版本效果横向对比、上线准入决策提供完整的数据支撑。 ### 步骤一：进入技能详情页 1. 登录 [AgentKit 控制台](https://console.volcengine.com/agentkit)。 2. 在左侧导航树，选择“技能”。 3. 选择“技能”页签后，单击目标技能名称，进入详情页面。 ![图片](https://portal.volccdn.com/obj/volcfe/cloud-universal-doc/upload_0101cc74c1242999caa3dff0fb6b2dc6.png) ### 步骤二：查看评测报告通过查看测评报告，了解目标技能综合总得分、能力雷达、效率与成本等指标，结合平台提供的调优建议，定位技能的优势与不足，为问题修复或上线评估提供参考依据。

说明

不同评测实验如使用不同的评测集版本、执行模型或环境配置，评测结果可能不具备直接可比性。

评测报告根据是否开启 **A/B 对照评测**分为两种，请按实际情况查看。 * **未开启：** 仅展示单组（实验组）评测结果。 * **开启：** 同时展示 **A/B 对照**（实验组和对照组）报告，支持对比查看两组的执行轨迹、评测结果和量化指标。未开启 A/B 对照评测若您在 [发起技能评测](https://docs.volcengine.com/docs/agentkit/ManagementSkillsAssessment?lang=zh) 时**未开启 A/B 对照评测**，评测报告仅展示单组（实验组）评测结果。 * **查看当前最新评测报告：** 在技能详情页，单击“技能评测”页签，可查看如下信息： |参数 |说明 |图例 | |---|---|---| |总综合得分 |展示当前评测实验的整体得分，满分为 **100** 分。该分数用于概览目标技能在多个评测维度下的综合表现。

说明

总综合得分是多个维度的汇总结果，不建议仅依据单一分数判断技能是否达到上线要求，需要结合优先调优建议详情综合分析。

|![图片](https://portal.volccdn.com/obj/volcfe/cloud-universal-doc/upload_98c9ae5f87fae08c9b0b2b379a7facd3.png)

| |能力雷达 |通过**雷达图**可视化展示六个维度的相对表现，快速识别目标技能的能力优势与短板。各维度说明如下：

* **证据可靠性：** 衡量输出结论是否具有充分、可靠的依据，是否能够通过工具返回结果或其他有效证据支撑。

* **过程稳健度：** 衡量任务执行过程是否稳定、合理，是否存在无效探索、重复调用或执行异常。

* **约束遵守度：** 衡量输出及执行过程是否遵守用户要求、任务规则和既定约束。

* **结果正确性：** 衡量最终输出是否准确，是否产生可判断、可使用的结论或交付结果。

* **技能遵循度：** 衡量执行过程中是否正确理解并遵循目标技能的定义、流程与约束。

* **任务完成度：** 衡量主要任务目标是否完成，以及输出结果是否覆盖用户提出的核心诉求。 || |效率与成本 |展示目标技能在本次实验中的平均轨迹耗时、平均 Token 消耗、平均工具调用次数及平均执行步骤错误率，用于分析执行效率和资源消耗。

* **平均轨迹耗时**

展示每条评测样本的平均执行时长，可用于判断任务处理效率。

* **平均 Token 消耗**

展示每条评测样本轨迹平均消耗的 Token 数量，可用于评估模型调用成本。

* **平均工具调用次数**

展示每条评测样本在执行过程中的平均工具调用次数，可用于判断工具使用是否充分或是否存在冗余调用。

* **平均执行步骤错误率**

展示每条评测样本在执行过程中的平均步骤（Span）错误率，可用于分析流程稳定性。 || |分维度表现 |展示六大评估维度各自的综合得分与详细评价，便于查看每项指标的评分依据，定位目标技能在各维度上存在的主要问题与优化方向。 |![图片](https://portal.volccdn.com/obj/volcfe/cloud-universal-doc/upload_f9e2377109e49239b07a69e98622db24.png) | |优先调优建议 |展示对应的分级优化建议，并关联相关待修改文件，帮助您快速定位需要调整的内容，提升调优效率。详情请参见 [步骤三：根据评测结果修复技能问题](https://docs.volcengine.com/docs/86681/2695405#RxMZEQ3l)。 |![图片](https://portal.volccdn.com/obj/volcfe/cloud-universal-doc/upload_4b5fbae2043ea209e90464aa82733188.png)

| |实验基本信息 |展示本次实验使用的评测集、评测集版本、执行模型、API Key、挂载的技能空间等。可用于后续追溯实验上下文、复现评测任务，对比多轮调优前后的实验配置差异等。 |![图片](https://portal.volccdn.com/obj/volcfe/cloud-universal-doc/upload_bda86b1198b2fb93b8759dd04f7300c2.png) | |运行记录 |单击评测报告右上角的“运行记录”按钮，可查看逐条**轨迹评测结果**与**执行明细**，您可在此查看每条样本的输入内容、实际输出、评分表现、执行失败的评测样本，详情请参见 [查看运行记录](https://docs.volcengine.com/docs/86681/2695405#ZLV4Z8o8)。 |![图片](https://portal.volccdn.com/obj/volcfe/cloud-universal-doc/upload_d24792ce63b56b911798dd485c13fbd9.png) | * **查看历史评测实验** 1. 在技能详情页，单击“技能评测”页签。 2. 单击当前评测实验名称，在下拉列表中选择状态为 **已完成 ** 且**不带**“A/B 对照评测”标签的历史评测实验，标签的历史评测实验，即可打开非 A/B 对照类型的历史评测报告。历史评测报告与最新评测报告页面结构、指标展示形式完全一致，详情参见上述表格。 ![图片](https://portal.volccdn.com/obj/volcfe/cloud-universal-doc/upload_94c4643454023ab099b54d8650807df8.png) 开启 A/B 对照评测若您在 [发起技能评测](https://docs.volcengine.com/docs/agentkit/ManagementSkillsAssessment?lang=zh) 时**开启 A/B 对照评测**，将同时展示**实验组**与**对照组**评测报告。 > A/B 对照评测分为**实验组**与**对照组（基线组）** 。两组使用完全相同的测试用例、模型参数与运行环境，唯一区别为是否加载待测技能： > * **实验组**：加载当前待测技能，Agent 可加载并调用该技能完成测试任务。 > * **对照组（基线组）** ：根据**对照组技能配置**加载指定内容，并在相同条件下执行测试任务。系统以该组结果作为对比基准，衡量**实验组**的效果变化。对照组技能配置参数由 [发起技能评测实验](https://docs.volcengine.com/docs/agentkit/ManagementSkillsAssessment?lang=zh) 时配置。 ### 查看**实验组评测报告**

注意

A/B 对照评测报告以对照组为基准，通过箭头和差值展示实验组各项指标的变化：

* **查看当前最新评测报告** 在技能详情页，单击“技能评测”页签，可查看开启 A/B 对照评测后，实验组的评测报告。 ![图片](https://portal.volccdn.com/obj/volcfe/cloud-universal-doc/upload_73b0fe282ccaa2fc3d9304ce42c555c9.png) * **持平**：实验组与对照组的该项指标数值无明显变化。 * **减少（↓）** ：指标相较于对照组有所下降。对于耗时、错误率、Token 消耗这类负向指标，数值减少一般代表效果优化；对于得分这类正向指标，数值减少则代表任务效果退化。 * **增加（↑）** ：指标相较于对照组有所上升。对于得分这类正向指标，数值增加一般代表任务效果提升；对于耗时、Token 消耗、工具调用次数这类指标，数值增加代表成本升高或者执行效率下降。除上述 A/B 对照特有的指标对比差异外，其余报告结构和参数说明与**未开启 A/B 对照评测**时一致，相关说明请参见“未开启 A/B 对照评测”。 * **查看历史评测实验** 1. 在技能详情页，单击“技能评测”页签。 2. 单击当前评测实验名称，在下拉列表中选择状态为 **已完成 ** 且**带**“A/B 对照评测”标签的历史评测实验，即可打开 A/B 对照历史评测报告。A/B 对照类型的历史评测报告与最新评测报告页面结构、指标展示逻辑保持一致，详细说明请参见“查看当前最新评测报告”。 ![图片](https://portal.volccdn.com/obj/volcfe/cloud-universal-doc/upload_000256645bed622e060a4e91337b1336.png) ### **查看对照组评测报告**

说明

仅在发起技能评测时开启A/B 对照评测，才支持查看对照组（不加载技能）评测报告。

单击评测报告右上角的“对照组报告”按钮，即可查看对照组原始报告，相关参数说明请参见“**未开启A/B 对照评测**”。 ![图片](https://portal.volccdn.com/obj/volcfe/cloud-universal-doc/upload_0a2b4444f8d6257fee240eee0207a425.png) ### 步骤三：根据评测结果修复技能问题基于评测报告中的优先调优建议，结合综合得分、分维度表现、效率和成本、运行记录等，对当前技能进行针对性整改。建议优先处理对任务执行结果或业务使用影响较大的问题，并根据具体问题表现确定优化方向，例如任务完成度不足、结果正确性偏低等。

说明

P0、P1、P2 代表评测报告给出的推荐处理优先级，数字越小优先级越高，推荐按 P0 \> P1 \> P2 的顺序处理问题。该优先级仅为参考，请结合评分依据与业务影响，确认问题实际修复优先级。

1. 在**优先调优建议**列表中，查看优先级、调优项、修复建议，确认问题原因、影响范围及处理方向。 ![图片](https://portal.volccdn.com/obj/volcfe/cloud-universal-doc/upload_cc1ebcd54e82a1f2461793b4dd3d68cd.png) 2. 在**关联文件**列，单击目标文件，打开对应技能配置文件。 ![图片](https://portal.volccdn.com/obj/volcfe/cloud-universal-doc/upload_a6afeca4746300b7b1ab3974491a03d5.png) 3. 针对评测发现的优化点位修改内容后，单击“保存”按钮，完成问题调整。 ![图片](https://portal.volccdn.com/obj/volcfe/cloud-universal-doc/upload_3b8357b7a351535f07e3cc2f00877523.png) ## 查看运行记录单击评测报告右上角的“运行记录”按钮，可查看逐条**轨迹评测结果**与**执行明细**。您可在此定位低分、执行失败的评测样本，查看每条样本的输入内容、实际输出、评分表现。 ![图片](https://portal.volccdn.com/obj/volcfe/cloud-universal-doc/upload_56cec64c225da68d30bc74e3db5282a6.png) ### **轨迹评测** 轨迹评测用于查看评测集各项数据的输入、实际输出和评分结果，便于分析目标技能在单条任务上的执行效果，适合排查低分样本及分析评分依据。 |参数 |**说明** | |---|---| |输入 |展示评测集中的输入内容，即当前轨迹需要处理的问题或任务。 | |实际输出 |展示目标技能在本次执行中生成的实际结果。 | |评分表现 |展示当前轨迹在相关评测维度下的评分结果，用于判断输出与预期的差异。 | |查看轨迹 |单击**查看轨迹**按钮，可进入当前样本的详细执行轨迹页面，进一步查看该条数据在评测过程中的执行链路和上下文信息。[了解更多](https://docs.volcengine.com/docs/86845/1963491) | ### **执行明细** 执行明细用于查看每条评测数据的实际执行情况，适合排查调用失败、执行异常或耗时问题。 |参数 |**说明** | |---|---| |**输入** |展示本次执行接收的输入内容。 | |**输出** |展示本次执行生成的结果。 | |**状态** |展示当前记录的执行状态，并支持按状态筛选记录，便于集中查看失败或异常数据。 | |**执行时间** |展示当前记录的执行耗时或执行时间信息，用于分析性能及异常延迟。 |