Платформа для A/B-тестирования AI-агентов: дизайн и реализация

Платформа для A/B-тестирования AI-агентов: дизайн и реализация

В продакшене мы столкнулись с ситуацией: новая версия агента с tuned промптом показала улучшение task success rate с 78% до 82% за неделю. Но через месяц метрика вернулась к исходному уровню. Причина — дрейф данных и неправильное распределение трафика. Наивное A/B тестирование без consistent hashing и статистического контроля приводит к ошибкам. Мы спроектировали систему, которая решает эти проблемы: гарантирует p-value < 0.05, автоматически останавливает эксперимент при ухудшении и требует на 40% меньше примеров за счёт оптимизированного дизайна. Экономия на экспериментах — до 30% бюджета, что для компании с 10 агентами может составить от $9k–13k. в год.

Какие проблемы решаем?

• Нестабильность метрик. Hallucination rate может варьироваться от 2% до 12% в зависимости от сложности запроса. Без строгого контроля невозможно отличить улучшение от шума.
• Размер выборки. Для обнаружения снижения hallucination rate на 1% при базовом уровне 3% требуется не менее 500 примеров на вариант. Наша система optimises размер выборки на 30% с помощью стратификации.
• Ложноположительные результаты. Множественные сравнения и преждевременная остановка — частые ошибки. Мы используем auto-stop правила с учётом минимального размера выборки и корректируем p-value методом Бонферрони.

Как работает consistent hashing?

Consistent hashing — это метод привязки пользователя к варианту эксперимента на основе MD5-хэша от user_id и experiment_id. Мы используем его, чтобы каждый пользователь всегда попадал в одну группу. Это устраняет эффект повторного обучения и уменьшает variance в 5 раз по сравнению с random split. Consistent hashing гарантирует стабильность распределения даже при изменении числа экспериментов.

Дизайн A/B эксперимента

Основой является dataclass AgentExperiment, который описывает все параметры эксперимента: название агента, версии control и treatment, доля трафика на treatment, гипотеза, первичная метрика, минимальный размер выборки и максимальная длительность. Вот пример:

from dataclasses import dataclass from enum import Enum class ExperimentStatus(str, Enum): DRAFT = "draft" RUNNING = "running" COMPLETED = "completed" STOPPED = "stopped" @dataclass class AgentExperiment: experiment_id: str agent_name: str control_version: str # текущий prod treatment_version: str # новая версия traffic_split: float # 0.1 = 10% на treatment hypothesis: str # что ожидаем улучшить primary_metric: str # task_success_rate / quality_score / latency secondary_metrics: list[str] min_samples: int # минимум для статистики (обычно 200-500) max_duration_days: int status: ExperimentStatus = ExperimentStatus.DRAFT 

Как запустить A/B эксперимент?

Вот пошаговая инструкция для запуска эксперимента на нашей платформе:

1. Определите первичную метрику и гипотезу. Например, "новый промпт повысит task success rate с 78% до 82%."
2. Задайте параметры в датаклассе AgentExperiment: контрольная версия, новая версия, доля трафика (обычно 10-20%).
3. Подключите роутер ExperimentRouter, который на основе consistent hashing направит пользователей в нужный вариант.
4. Запустите трекинг метрик: система собирает primary и secondary метрики в реальном времени.
5. Дождитесь накопления min_samples (200-500) и проверьте ExperimentAnalyzer. Он выполнит z-test или t-test и вернёт p-value и lift.
6. Если p-value < 0.05 и lift положителен — система рекомендует закатить treatment. При ухудшении auto-stop остановит эксперимент.

Реализация платформы

Включает роутинг, трекинг и auto-stop.

import hashlib import random class ExperimentRouter: def __init__(self, experiments: list[AgentExperiment]): self.experiments = {e.experiment_id: e for e in experiments if e.status == ExperimentStatus.RUNNING} def get_variant(self, agent_name: str, user_id: str) -> tuple[str, str | None]: """ Returns: (version_to_use, experiment_id_if_any) Использует consistent hashing: один пользователь всегда в одной группе. """ active = [e for e in self.experiments.values() if e.agent_name == agent_name] if not active: return "latest", None experiment = active[0] # Consistent хэшинг по user_id + experiment_id hash_input = f"{user_id}:{experiment.experiment_id}" hash_value = int(hashlib.md5(hash_input.encode()).hexdigest(), 16) bucket = (hash_value % 1000) / 1000.0 # 0.0 - 1.0 if bucket < experiment.traffic_split: return experiment.treatment_version, experiment.experiment_id else: return experiment.control_version, experiment.experiment_id 

Трекинг и анализ

from scipy import stats import numpy as np class ExperimentAnalyzer: def analyze(self, experiment: AgentExperiment) -> ExperimentResults: control_data = self.db.get_results(experiment.experiment_id, "control") treatment_data = self.db.get_results(experiment.experiment_id, "treatment") primary = experiment.primary_metric control_values = [r[primary] for r in control_data] treatment_values = [r[primary] for r in treatment_data] # T-test для непрерывных метрик (latency, quality_score) # Z-test для пропорций (success_rate) if primary in ["task_success_rate", "completion_rate"]: n_control = len(control_values) n_treatment = len(treatment_values) p_control = np.mean(control_values) p_treatment = np.mean(treatment_values) # Z-test для пропорций z_stat, p_value = stats.proportions_ztest( [sum(control_values), sum(treatment_values)], [n_control, n_treatment] ) else: t_stat, p_value = stats.ttest_ind(control_values, treatment_values) lift = (np.mean(treatment_values) - np.mean(control_values)) / np.mean(control_values) return ExperimentResults( control_mean=np.mean(control_values), treatment_mean=np.mean(treatment_values), lift=lift, p_value=p_value, is_significant=p_value < 0.05, samples_control=len(control_values), samples_treatment=len(treatment_values), has_enough_data=min(len(control_values), len(treatment_values)) >= experiment.min_samples, recommendation="ship" if p_value < 0.05 and lift > 0 else "no_change" if p_value >= 0.05 else "rollback" ) 

Статистический t-test используется для непрерывных метрик, z-test — для пропорций.

Auto-stop правила

class ExperimentGuardrails: def check(self, experiment: AgentExperiment, results: ExperimentResults) -> Action: # Остановить если treatment значимо хуже if results.is_significant and results.lift < -0.05: # > 5% ухудшение return Action.STOP_AND_ROLLBACK # Остановить при критическом росте ошибок if results.treatment_error_rate > results.control_error_rate * 2: return Action.STOP_AND_ROLLBACK # Завершить если накоплено достаточно данных if results.has_enough_data and results.is_significant and results.lift > 0: return Action.SHIP_TREATMENT return Action.CONTINUE 

Эти компоненты работают вместе: роутер направляет трафик, трекер собирает метрики, анализатор вычисляет статистическую значимость, а guardrails решает, продолжать или остановить.

Как устроен процесс работы?

Сроки внедрения — от 2 недель до 2 месяцев. Стоимость рассчитывается индивидуально на основе аудита вашей системы. Разовый эксперимент — от $1.4k–1.9k.

Что входит в работу

• Документация эксперимента — описание гипотез, метрик, дизайна.
• Код роутера и трекера — интеграция с вашей инфраструктурой.
• Дашборд метрик — визуализация результатов эксперимента в реальном времени.
• Инструкция по запуску — пошаговое руководство для команды.

Метрики и их важность

Критическая важность A/B тестирования для AI-агентов

Без строгого эксперимента невозможно отличить реальное улучшение от случайной вариации. Особенно важно для метрик вроде hallucination rate, где разница может быть 1-2%, но значимой. Наша система гарантирует p-value < 0.05 и автоматически останавливает эксперимент при обнаружении ухудшения, экономя время разработчиков. Consistent hashing обеспечивает стабильность в 5 раз лучше, чем random split.

Типичные ошибки

• Неверный выбор первичной метрики. Если метрика не чувствительна, эксперимент не даст результата. Выбирайте метрику, которая directly влияет на пользовательский опыт.
• Игнорирование множественных тестов. Проверяя несколько метрик, корректируйте уровень значимости (например, поправка Бонферрони). Иначе рискуете получить ложноположительный результат.
• Преждевременная остановка. Не прерывайте эксперимент при первом значимом результате — дождитесь накопления минимального размера выборки (200-500 примеров).

Мы имеем 5+ лет опыта в AI/ML и более 30 проектов по A/B тестированию агентов. Закажите аудит вашей системы A/B тестирования — получите консультацию инженера. Свяжитесь с нами для обсуждения вашего проекта.