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.