Batch 数据集运行器
BatchEvaluationRunner委托人通过和 GetBatchEvaluation API 将收集和评估完全跨越到服务。StartBatchEvaluation在为每个场景调用您的代理后,运行器会提交批处理作业并进行轮询直至其完成,并返回汇总结果。
如果您需要在多个会话中汇总分数,而无需自己管理跨度收集;用于基线测量、大型数据集和 pre/post 比较,请使用批处理运行器。
工作原理
运行器分四个阶段处理场景:
-
调用:所有场景都使用线程池并发运行。每个场景都有一个唯一的会话 ID,并在场景中按顺序执行以保持对话上下文。
-
等待:可配置的摄取延迟(默认值:180 秒) CloudWatch 允许摄取遥测数据。这种延迟只能支付一次,而不是按场景支付。
-
提交:运行者使用 CloudWatch 日志组、调
StartBatchEvaluation用阶段的会话 ID、评估者 ID 和数据集中的真实情况进行调用。 -
投票:运行者轮询
GetBatchEvaluation直到作业达到终止状态并返回汇总结果。
代理调用者
跑步者需要一个代理调用器,一个在单回合内调用你的代理的可调用对象。调用者不受框架限制:您可以通过 boto3 invoke_agent_runtime、直接函数调用、HTTP 请求或任何其他方法调用您的代理。
import json import boto3 from bedrock_agentcore.evaluation import AgentInvokerInput, AgentInvokerOutput REGION = "<region-code>" AGENT_ARN = "arn:aws:bedrock-agentcore:<region-code>:<account-id>:runtime/<agent-id>" LOG_GROUP = "/aws/bedrock-agentcore/runtimes/<agent-id>-DEFAULT" SERVICE_NAME = "<agent-id>.DEFAULT" agentcore_client = boto3.client("bedrock-agentcore", region_name=REGION) def agent_invoker(invoker_input: AgentInvokerInput) -> AgentInvokerOutput: payload = invoker_input.payload if isinstance(payload, str): payload = json.dumps({"prompt": payload}).encode() elif isinstance(payload, dict): payload = json.dumps(payload).encode() print(f"[{invoker_input.session_id}] > sending payload: {payload.decode()}") response = agentcore_client.invoke_agent_runtime( agentRuntimeArn=AGENT_ARN, runtimeSessionId=invoker_input.session_id, payload=payload, ) response_body = response["response"].read() print(f"[{invoker_input.session_id}] < received response: {response_body.decode()}") return AgentInvokerOutput(agent_output=json.loads(response_body))
| 字段 | Type | 说明 |
|---|---|---|
|
|
|
来自数据集的转弯输入。 |
|
|
|
在场景中的所有回合中都保持稳定。将其传递给您的代理以维护对话上下文。 |
|
|
|
代理的回应。 |
示例
以下示例从 JSON 文件加载数据集并运行批量评估。有关数据集格式,请参阅数据集架构。
from bedrock_agentcore.evaluation import ( BatchEvaluationRunner, BatchEvaluationRunConfig, BatchEvaluatorConfig, CloudWatchDataSourceConfig, FileDatasetProvider, ) # Load dataset from a local file (see Dataset schema for format) dataset = FileDatasetProvider("dataset.json").get_dataset() # Or load from the Dataset Management service from bedrock_agentcore.evaluation import DatasetClient, DatasetManagementServiceProvider ds_client = DatasetClient(region_name=REGION) dataset = DatasetManagementServiceProvider(dataset_id="my-dataset-id", client=ds_client).get_dataset() # Configure the batch evaluation config = BatchEvaluationRunConfig( batch_evaluation_name="dataset-batch-eval", evaluator_config=BatchEvaluatorConfig( evaluator_ids=[ "Builtin.GoalSuccessRate", "Builtin.Correctness", "Builtin.TrajectoryExactOrderMatch", "Builtin.Helpfulness", ], ), data_source=CloudWatchDataSourceConfig( service_names=[SERVICE_NAME], log_group_names=[LOG_GROUP], ingestion_delay_seconds=180, ), polling_timeout_seconds=1800, polling_interval_seconds=30, ) # Run runner = BatchEvaluationRunner(region=REGION) result = runner.run_dataset_evaluation( agent_invoker=agent_invoker, dataset=dataset, config=config, ) # Display aggregate results print(f"Status: {result.status}") print(f"Batch evaluation ID: {result.batch_evaluation_id}") if result.evaluation_results: er = result.evaluation_results print(f"Sessions completed: {er.number_of_sessions_completed}") print(f"Sessions failed: {er.number_of_sessions_failed}") print(f"Total sessions: {er.total_number_of_sessions}") for summary in er.evaluator_summaries or []: avg = summary.statistics.average_score if summary.statistics else None print(f" {summary.evaluator_id}: avg={avg}")
获取每个会话的详细信息
汇总结果显示所有会话的平均值。要查看每个会话、每个评估者的分数,请从以下位置获取评估事件: CloudWatch
if result.output_data_config: events = runner.fetch_evaluation_events(result) print(f"\nEvaluation events: {len(events)}") for ev in events: attrs = ev.get("attributes", {}) print(f" session: {attrs.get('session.id', '')[:40]}") print(f" evaluator: {attrs.get('gen_ai.evaluation.name')}") print(f" score: {attrs.get('gen_ai.evaluation.score.value')}") print(f" label: {attrs.get('gen_ai.evaluation.score.label')}") print()
配置参考
BatchEvaluationRunConfig( batch_evaluation_name="my-batch-eval", # Job name evaluator_config=BatchEvaluatorConfig( evaluator_ids=["Builtin.GoalSuccessRate"], ), data_source=CloudWatchDataSourceConfig( service_names=["MyAgent.DEFAULT"], # Exactly 1 service name log_group_names=[LOG_GROUP], # 1-5 log group names ingestion_delay_seconds=180, # Wait for CW ingestion (default: 180) ), polling_timeout_seconds=1800, # Max wait for job completion (default: 1800) polling_interval_seconds=30, # Poll interval (default: 30) simulation_config=None, # Set SimulationConfig for simulated scenarios )
| 字段 | 默认值 | 说明 |
|---|---|---|
|
|
— |
批量评估作业的名称。 |
|
|
— |
评估者 ID 列表(内置或自定义)。 |
|
|
— |
服务名称,用于标识您的代理的踪迹 CloudWatch。 |
|
|
— |
CloudWatch 存储代理遥测数据的日志组名称。 |
|
|
180 |
调用后等待摄取跨 CloudWatch 度的秒数。 |
|
|
1800 |
等待批处理作业完成的最长秒数。 |
|
|
30 |
两次轮询请求之间的秒数。 |
|
|
无 |
模拟场景的配置。设置数据集 |
结果结构
跑步者返回BatchEvaluationResult:
BatchEvaluationResult ├── batch_evaluation_id: str ├── batch_evaluation_arn: str ├── batch_evaluation_name: str ├── status: str ├── created_at: datetime ├── evaluation_results: Optional[BatchEvaluationSummary] │ ├── number_of_sessions_completed: int │ ├── number_of_sessions_in_progress: int │ ├── number_of_sessions_failed: int │ ├── number_of_sessions_ignored: int │ ├── total_number_of_sessions: int │ └── evaluator_summaries: List │ ├── evaluator_id: str │ ├── statistics.average_score: float │ ├── total_evaluated: int │ └── total_failed: int ├── error_details: Optional[List[str]] ├── agent_invocation_failures: List[FailedScenario] └── output_data_config: Optional[CloudWatchOutputDataConfig] ├── log_group_name: str └── log_stream_name: str
-
agent_invocation_failures列出了在提交批处理作业之前代理调用失败的情况。这些会话不包括在批量评估中。 -
output_data_config指向写入每个会话详细信息的 CloudWatch 日志流。runner.fetch_evaluation_events(result)用来读它。
错误处理
-
场景调用失败记录为批处理作业,
FailedScenario但不会阻塞批处理作业;仅提交成功的会话。 -
如果所有场景都失败,则运行器会在调用 API
ValueError之前加注。 -
轮询超时:
TimeoutError如果作业超时polling_timeout_seconds。 -
Job 失败:
RuntimeError如果批量评估状态为FAILED或STOPPED。