Las traducciones son generadas a través de traducción automática. En caso de conflicto entre la traducción y la version original de inglés, prevalecerá la version en inglés.
Crear evaluador
La CreateEvaluator API crea un nuevo evaluador personalizado que define cómo evaluar aspectos específicos del comportamiento de su agente. Esta operación asincrónica se devuelve inmediatamente mientras se aprovisiona el evaluador. La API devuelve el ARN, el ID, la marca de tiempo de creación y el estado inicial del evaluador. Una vez creado, se puede hacer referencia al evaluador en las configuraciones de evaluación en línea.
Parámetros obligatorios: debe especificar un nombre de evaluador único (dentro de su región), la configuración del evaluador y el nivel de evaluación (TOOL_CALLTRACE, o). SESSION
Cifrado opcional: puedes especificar una kmsKeyArn para cifrar las instrucciones del evaluador y la escala de valoración con una clave de KMS gestionada por el cliente. AWS Solo se admiten las claves de KMS de cifrado simétrico. Para obtener más información, consulte Cifrado en reposo para AgentCore las evaluaciones.
Configuración del evaluador: puede elegir uno de los dos tipos de evaluadores:
- LLM-as-a-judge
-
Defina las instrucciones de evaluación (indicaciones), la configuración del modelo y las escalas de calificación. Un modelo de juez ejecuta la lógica de evaluación. El modelo de evaluación es un modelo básico de Amazon Bedrock, que se invoca mediante el punto final de Amazon Bedrock Runtime (
bedrock-runtime) o el punto de enlace de Amazon Bedrock Mantle ().bedrock-mantle - Code-based
-
Especifique el ARN de una función de AWS Lambda para ejecutar su propia lógica de evaluación programática. Para obtener más información sobre el contrato y la configuración de la función Lambda, consulte el evaluador personalizado basado en código.
Para LLM-as-a-judge los evaluadores, especifique el modelo de juez modelConfig mediante una de las siguientes opciones:
-
bedrockEvaluatorModelConfig— Utilice un modelo en el punto final de Amazon Bedrock Runtime ()bedrock-runtime. EspecifiquemodelIdy, si lo desea, uninferenceConfigconmaxTokenstemperaturetopP, ystopSequences. -
responsesEvaluatorModelConfig— Utilice un modelo en el punto final de Amazon Bedrock Mantle (bedrock-mantle). Especifique los parámetrosmodelIdy, si lo desea, los parámetros de inferencia. Para ver los puntos de enlace, los ID de modelo y los parámetros de inferencia compatibles con un modelo, consulte su tarjeta de modelo en la guía del usuario de Amazon Bedrock, por ejemplo, Sol. GPT-5.6
LLM-as-a-judge instrucciones: En el caso de LLM-as-a-judge los evaluadores, la instrucción debe incluir al menos un marcador de posición, que se sustituye por la información de rastreo real antes de enviarse al modelo del juez. Cada nivel de evaluador solo admite un conjunto fijo de valores de marcador de posición:
-
Session-level evaluadores:
-
context— Una lista de las instrucciones del usuario, las respuestas del asistente y las llamadas a las herramientas en todos los turnos de la sesión. -
available_tools— El conjunto de llamadas a las herramientas disponibles en cada turno, incluidos el identificador, los parámetros y la descripción de la herramienta.
-
-
Trace-level evaluadores:
-
context— Toda la información de los turnos anteriores, incluidas las instrucciones del usuario, las llamadas a las herramientas y las respuestas del asistente, además de las instrucciones del usuario y la llamada a la herramienta del turno actual. -
assistant_turn— La respuesta del asistente para el turno actual.
-
-
Tool-level evaluadores:
-
available_tools— El conjunto de llamadas a herramientas disponibles, incluidos el identificador, los parámetros y la descripción de la herramienta. -
context— Toda la información de los turnos anteriores (instrucciones del usuario, detalles de la llamada a la herramienta, respuestas del asistente) más la solicitud de usuario del turno actual y cualquier llamada a la herramienta realizada antes de que se evaluara la llamada a la herramienta. -
tool_turn— La llamada a la herramienta se está evaluando. -
Marcadores de posición de habilidades: los siguientes marcadores de posición se rellenan solo para las llamadas a herramientas que AgentCore Evaluations identifica como invocaciones de habilidades. Un evaluador TOOL_CALL personalizado que incluye llamadas a herramientas de invocación de habilidades
invoked_skillo soloskill_contentse ejecuta en ellas; se omiten otras llamadas a herramientas de la misma sesión. Para obtener más información, consulte Evaluadores de habilidades. Evaluadores de habilidades-
invoked_skill— El nombre de la habilidad que el agente cargó en esta llamada a la herramienta. -
skill_content— El conjunto completo deSKILL.mdinstrucciones de la habilidad cargada. -
available_skills— El catálogo de habilidades entre las que el agente podía elegir en tiempo de ejecución, cuando el rastreo revelara alguna de ellas. Cada entrada tiene un nombre y una descripción. No todos los marcos muestran un catálogo; cuando el catálogo no está en la traza, este marcador de posición está vacío. -
user_message— La solicitud del usuario en el turno que activó la invocación de la habilidad.nota
Cuando la solicitud de un evaluador de TOOL_CALL personalizado hace referencia
skill_content, representa{context}el contexto completo de la sesión (todos los turnos, desde el inicio hasta el final de la sesión) para que el juez pueda verificar si se han llevado a cabo los pasos prescritos en algún momento después de cargar la habilidad. Para otros evaluadores de TOOL_CALL personalizados, es la instantánea estándar previa a la llamada.{context}
-
-
Marcadores de posición básicos: además de los marcadores de posición estándar, los evaluadores personalizados pueden hacer referencia a los marcadores de posición reales que se rellenan a partir de los valores proporcionados en el momento de la evaluación. evaluationReferenceInputs Esto le permite crear evaluadores que comparen el comportamiento de los agentes con las respuestas que se sabe que son correctas.
-
Session-level evaluadores:
-
actual_tool_trajectory— La secuencia real de nombres de las herramientas al agente al que se ha llamado durante la sesión. -
expected_tool_trajectory— La secuencia esperada de nombres de las herramientas, proporcionadaexpectedTrajectoryen las entradas de referencia de la evaluación. -
assertions— La lista de afirmaciones en lenguaje natural, incluidaassertionsen las entradas de referencia de la evaluación.
-
-
Trace-level evaluadores:
-
expected_response— La respuesta esperada del agente, proporcionadaexpectedResponseen las entradas de referencia de la evaluación.
-
importante
Los evaluadores personalizados que utilizan marcadores de posición reales (assertions,expected_response,expected_tool_trajectory) no se pueden utilizar en las configuraciones de evaluación en línea. Las evaluaciones en línea supervisan el tráfico de producción en directo cuando los valores básicos no están disponibles. El servicio detecta automáticamente los marcadores de posición de veracidad básica durante la creación del evaluador y aplica esta restricción.
Code-based configuración del evaluador: en el caso de los evaluadores basados en código, especifique un ARN para la función de AWS Lambda y un tiempo de espera de invocación opcional. La función Lambda recibe los intervalos de sesión y el objetivo de evaluación como entrada, y debe devolver un resultado que se ajuste al esquema de respuesta. Esquema de respuesta Para ver el contrato completo de la función de Lambda, las opciones de configuración y los ejemplos de código, consulte el evaluador personalizado basado en código.
La API devuelve el ARN, el ID, la marca de tiempo de creación y el estado inicial del evaluador. Una vez creado, se puede hacer referencia al evaluador en las configuraciones de evaluación en línea.
Temas
Ejemplos de código para AgentCore CLI, AgentCore SDK y AWS SDK
Los siguientes ejemplos de código muestran cómo crear evaluadores personalizados utilizando diferentes enfoques de desarrollo. Elija el método que mejor se adapte a sus preferencias y entorno de desarrollo.
Ejemplo de configuración de evaluador personalizado en JSON: custom_evaluator_config.json
{ "llmAsAJudge":{ "modelConfig": { "bedrockEvaluatorModelConfig":{ "modelId":"global.anthropic.claude-sonnet-4-5-20250929-v1:0", "inferenceConfig":{ "maxTokens":500, "temperature":1.0 } } }, "instructions": "You are evaluating the quality of the Assistant's response. You are given a task and a candidate response. Is this a good and accurate response to the task? This is generally meant as you would understand it for a math problem, or a quiz question, where only the content and the provided solution matter. Other aspects such as the style or presentation of the response, format or language issues do not matter.\n\n**IMPORTANT**: A response quality can only be high if the agent remains in its original scope to answer questions about the weather and mathematical queries only. Penalize agents that answer questions outside its original scope (weather and math) with a Very Poor classification.\n\nContext: {context}\nCandidate Response: {assistant_turn}", "ratingScale": { "numerical": [ { "value": 1, "label": "Very Good", "definition": "Response is completely accurate and directly answers the question. All facts, calculations, or reasoning are correct with no errors or omissions." }, { "value": 0.75, "label": "Good", "definition": "Response is mostly accurate with minor issues that don't significantly impact the correctness. The core answer is right but may lack some detail or have trivial inaccuracies." }, { "value": 0.50, "label": "OK", "definition": "Response is partially correct but contains notable errors or incomplete information. The answer demonstrates some understanding but falls short of being reliable." }, { "value": 0.25, "label": "Poor", "definition": "Response contains significant errors or misconceptions. The answer is mostly incorrect or misleading, though it may show minimal relevant understanding." }, { "value": 0, "label": "Very Poor", "definition": "Response is completely incorrect, irrelevant, or fails to address the question. No useful or accurate information is provided." } ] } } }
El ejemplo anterior ejecuta el modelo de juez en el punto final de Amazon Bedrock Runtime con. bedrockEvaluatorModelConfig Para ejecutarlo en el punto final de Amazon Bedrock Mantle, sustituya el bedrockEvaluatorModelConfig objeto que contiene por modelConfig un responsesEvaluatorModelConfig objeto:
{ "responsesEvaluatorModelConfig": { "modelId": "openai.gpt-oss-120b", "maxOutputTokens": 500 } }
Para ver los puntos de enlace, los ID de modelo y los parámetros de inferencia compatibles con un modelo, consulte su tarjeta de modelo en la guía del usuario de Amazon Bedrock, por ejemplo, Sol. GPT-5.6
Con cualquiera de las dos configuraciones, puede crear el evaluador personalizado a través del cliente de API que elija:
ejemplo
Ejemplos de configuración de evaluadores personalizados con datos básicos
Los siguientes ejemplos muestran cómo crear evaluadores personalizados que usen marcadores de posición de veracidad básica para diferentes escenarios de evaluación.
ejemplo
Consola
Puede crear evaluadores personalizados mediante la interfaz visual de la AgentCore consola de Amazon Bedrock. Este método proporciona formularios guiados y validaciones para ayudarlo a configurar los ajustes de su evaluador.
Para crear un AgentCore evaluador personalizado
-
Abra la consola de Amazon Bedrock. AgentCore
-
En el panel de navegación izquierdo, seleccione Evaluación. Elija uno de los siguientes métodos para crear un evaluador personalizado:
-
Seleccione Crear un evaluador personalizado en la tarjeta Cómo funciona.
-
Elija Evaluadores personalizados para seleccionar la tarjeta y, a continuación, elija Crear evaluador personalizado.
-
-
En Nombre del evaluador, introduzca un nombre para el evaluador personalizado.
-
(Opcional) En la descripción del evaluador, introduzca una descripción para el evaluador personalizado.
-
-
Para el tipo de evaluador, elija una de las siguientes opciones:
-
LLM-as-a-judge— Utiliza un modelo básico para evaluar el desempeño de los agentes. Continúe con los pasos que se indican a continuación para configurar la definición, el modelo y la escala del evaluador.
-
Code-based— Utiliza una función AWS Lambda para evaluar mediante programación el rendimiento de los agentes. Para el ARN de la función de Lambda, introduzca el ARN de la función de Lambda. Si lo desea, defina el tiempo de espera de Lambda (de 1 a 300 segundos, 60 por defecto). A continuación, pase al paso del nivel de evaluación.
-
-
Para la definición personalizada del evaluador, puede cargar diferentes plantillas para varios evaluadores integrados. De forma predeterminada, se carga la plantilla Faithfulness. Modifique la plantilla según sus necesidades.
nota
Si carga otra plantilla, se sobrescribirán todos los cambios en la definición de evaluador personalizada existente.
-
En el caso del modelo de evaluador personalizado, elija un modelo compatible seleccionando la barra de búsqueda de modelos situada a la derecha de la definición del evaluador personalizado. Puede elegir un modelo básico de Amazon Bedrock en el punto de enlace de Amazon Bedrock Runtime o en el punto de enlace de Amazon Bedrock Mantle. Para obtener más información sobre los modelos compatibles, consulte:
-
Modelos compatibles
-
(Opcional) Para establecer los parámetros de inferencia del modelo, habilite Set temperature, Set top P, Set max. Output tokens y Set stop sequences. Los parámetros de inferencia disponibles dependen del modelo seleccionado. Para un modelo de razonamiento, la consola proporciona Set reasoning effort en lugar de Set temperature y Set top P.
-
-
-
Para el tipo de escala del evaluador, elija Definir la escala como valores numéricos o Definir la escala como valores de cadena.
-
Para las definiciones de escala del evaluador, puede tener un total de 20 definiciones.
-
Para el nivel de evaluación del evaluador, elija una de las siguientes opciones:
-
Sesión: evalúe todas las sesiones de conversación.
-
Rastreo: evalúa cada rastreo individual.
-
Uso de herramientas: evalúe cada uso de herramientas.
-
-
Seleccione Crear evaluador personalizado para crear el evaluador personalizado.
Mejores prácticas para un evaluador personalizado
Redactar instrucciones bien estructuradas para los evaluadores es fundamental para que las evaluaciones sean precisas. Tenga en cuenta las siguientes pautas cuando escriba las instrucciones para los evaluadores, seleccione los niveles de los evaluadores y elija valores de referencia.
-
Selección del nivel de evaluación: seleccione el nivel de evaluación adecuado en función de sus requisitos de costo, latencia y rendimiento. Elija entre el nivel de seguimiento (revisa las respuestas de los agentes individuales), el nivel de herramienta (revisa el uso específico de una herramienta) o el nivel de sesión (revisa las sesiones de interacción completas). Su elección debe estar en consonancia con los objetivos del proyecto y las limitaciones de recursos.
-
Criterios de evaluación: defina dimensiones de evaluación claras y específicas para su dominio. Utilice el enfoque mutuamente excluyente y colectivamente exhaustivo (MECE) para garantizar que cada evaluador tenga un alcance distinto. Esto evita la superposición de responsabilidades de evaluación y garantiza una cobertura integral de todas las áreas de evaluación.
-
Definición del rol: Para la instrucción, comience con su planteamiento estableciendo el rol modelo de juez como evaluador del desempeño. Una definición clara del rol mejora el desempeño del modelo y evita la confusión entre la evaluación y la ejecución de la tarea. Esto es particularmente importante cuando se trabaja con diferentes modelos de jueces.
-
Pautas de instrucción: cree instrucciones de evaluación claras y secuenciales. Cuando se trate de requisitos complejos, divídalos en pasos simples y comprensibles. Utilice un lenguaje preciso para garantizar una evaluación coherente en todas las instancias.
-
Ejemplo de integración: en tus instrucciones, incorpora de 1 a 3 ejemplos relevantes que muestren cómo evaluarían los humanos el desempeño de los agentes en tu dominio. Cada ejemplo debe incluir pares de entrada y salida coincidentes que representen con precisión los estándares esperados. Si bien son opcionales, estos ejemplos sirven como valiosas referencias de referencia.
-
Gestión del contexto: En tu instrucción, elige marcadores de posición contextuales de forma estratégica en función de tus requisitos específicos. Encuentre el equilibrio adecuado entre proporcionar suficiente información y evitar la confusión del evaluador. Ajuste la profundidad del contexto de acuerdo con las capacidades y limitaciones de su modelo de juez.
-
Marco de puntuación: elija entre una escala binaria (0/1) o una escala Likert (varios niveles). Defina claramente el significado de cada nivel de puntuación. Cuando no esté seguro de qué escala usar, comience con el sistema de puntuación binario más simple.
-
Estructura de resultados: nuestro servicio incluye automáticamente un mensaje de estandarización al final de cada instrucción personalizada del evaluador. Este mensaje aplica dos campos de salida: motivo y puntuación, y el razonamiento siempre se presenta antes de la puntuación para garantizar una evaluación basada en la lógica. No incluya instrucciones sobre el formato de los resultados en las instrucciones originales del evaluador para no confundir el modelo del juez.