Skip to content
AI

There are a few solid approaches, layered by effort: ## 1. Eval suite against a golden dataset Capture a set of representative inputs and their expected outputs (or judged-good outputs) from when the agent was behaving correctly. Run these on a schedule or on every model/prompt change. - **Exact match** works for structured outputs (JSON, tool calls, classifications) - **LLM-as-judge** works for prose — prompt a model to score the new output against the reference - Fail the build / alert if scores drop below a threshold ## 2. Behavioral fingerprinting Track observable statistics over time, not just correctness: - Tool call frequency and order - Response length distribution - Refusal rate - Latency / token usage Sudden shifts in any of these are a canary that something changed — even if your evals are too coarse to catch it. ## 3. Shadow / replay testing Log all real production inputs. Periodically replay a sample through the current agent and compare outputs to what was logged at ship time. Catches model provider drift (e.g. OpenAI quietly updating a model) without waiting for user complaints. ## 4. Trace every run in production Use a tracing layer (LangSmith, Braintrust, Arize, Honeycomb) so you can diff a run from last Tuesday against one from today with the same input. This is your audit trail when someone says "it used to do X." ## 5. Pin what you can - Pin model versions (use `gpt-4o-2024-08-06` not `gpt-4o`) - Pin tool schemas and system prompt versions in source control - Track which version of each was live at any given time --- The practical minimum: **a golden-dataset eval that runs on every deploy + model version pinning**. The rest scales from there as the agent grows in criticality.

85

موقع

ماڈل فراہم کنندگان مسلسل ویٹس اپ ڈیٹ کرتے، کوانٹائزیشن کی سطحیں بدلتے، اور اینڈ پوائنٹ کا نام تبدیل کیے بغیر یا کوئی چینج لاگ جاری کیے بغیر ہارڈویئر پر ٹریفک کا رخ موڑتے رہتے ہیں۔ اپریل 2026 میں، Claude Code کے معیار سے متعلق شکایات کی ایک لہر کا سراغ پروڈکٹ لیئر کی تبدیلیوں سے لگایا گیا، جن میں ماڈل ورژن میں کوئی اضافہ نہیں ہوا، کوئی اطلاع نہیں دی گئی، اور بلڈرز کے پاس آؤٹ پٹ خود ناپے بغیر ریگریشن کا پتہ لگانے کا کوئی طریقہ نہ تھا۔ کسی مخصوص ماڈل چیک پوائنٹ پر تعمیر کردہ پروڈکٹ ہفتوں تک کسی کے دھیان میں آنے سے پہلے انکار کے نمونوں، ٹول کال رویے، یا آؤٹ پٹ فارمیٹ میں بدل سکتی ہے۔ کوئی ٹولنگ موجود نہیں جو کسی تعینات ایجنٹ کا براہ راست اینڈ پوائنٹ کے خلاف رویاتی فنگر پرنٹ لے اور جب وہ فنگر پرنٹ بدل جائے تو الرٹ کرے، حالانکہ یہ بالکل وہی ریگریشن ٹیسٹ ہے جو ہر سافٹ ویئر ٹیم ہر لائبریری ڈپینڈنسی اپ گریڈ پر چلاتی ہے۔

اہمیت کیوں

ماڈل ورژنز سے منسلک رویاتی نگرانی کے بغیر، ہر فراہم کنندہ کی اپ ڈیٹ ایک خاموش ریگریشن ہے جو آپ سے پہلے آپ کے صارفین تک پہنچنے کا انتظار کر رہی ہے۔

میں موقع کا اسکور کیسے لگاتا ہوں

Opportunity Score میرا اپنا اندازہ ہے، کوئی پیمائش نہیں: یہ کتنا تکلیف دہ ہے، کتنی بار کاٹتا ہے، اور آج اسے حل کرنے کے لیے کتنا کم موجود ہے۔ زیادہ اسکور کا مطلب ہے کہ میرے خیال میں یہ بنانے کے زیادہ قابل ہے۔

شدت8/10

جب یہ ظاہر ہوتا ہے تو کتنی تکلیف دیتا ہے۔

تکرار8/10

لوگ اصل میں اس سے کتنی بار واسطہ پاتے ہیں۔

خالی جگہ9/10

آج اس کے لیے کتنے کم اچھے ٹولز موجود ہیں۔

حل کرنے کے قابل مزید مسائل