🐍09. Evals: 성능 검증과 자동 평가

Agent 품질을 “느낌”으로 평가하면 개선이 멈춥니다. Evals는 질문 집합, 평가 기준, 리포트를 통해 개선을 숫자로 확인하는 루프입니다.

AI 활용 안내: 이 문서는 생성형 AI를 활용해 작성했으며, Pydantic AI 공식 문서를 1차 출처로 검토해 정리했습니다.

공식문서 흐름 점검 (개요 보완)

• 흐름: Evals 데이터 모델(dataset/case) → 실험 실행(experiment) → 평가기(built-in/custom/LLM judge) → 리포트/메트릭 해석.
• 이번 편에서 빠지면 안 되는 포인트:
  • “한 번의 점수”가 아니라 dataset 기반 반복 실험 구조를 먼저 설명한다.
  • evaluator를 case-level / dataset-level로 나눠 소개한다.
  • 재시도 전략과 로그파이어 연동을 품질 루프에 포함한다.
• 공식 문서 체크 링크:
  • https://ai.pydantic.dev/evals/index.md
  • https://ai.pydantic.dev/evals/core-concepts/index.md
  • https://ai.pydantic.dev/evals/evaluators/llm-judge/index.md

어떤 지표부터 볼까

초기에는 복잡한 지표보다 세 가지면 충분합니다.

• 정답/요구조건 충족률
• 형식 준수율(구조화 출력 일치율)
• 평균 처리 시간

공식 문서:

• Evals overview: https://ai.pydantic.dev/evals/
• Quick start: https://ai.pydantic.dev/evals/quick-start/

flowchart TD
  A[평가 데이터셋 구성] --> B[에이전트 실행]
  B --> C[평가기 적용]
  C --> D[리포트 생성]
  D --> E[개선안 반영]
  E --> A

미니 사례 A: 모델 업그레이드 후 품질이 좋아졌는지 모르는 경우

체감상 좋아 보였지만 실제로는 형식 준수율이 내려갔습니다. 자동 eval로 비교하니 업그레이드 전에 고쳐야 할 점이 보였습니다.

미니 사례 B: 팀마다 평가 기준이 달라 논쟁이 길어진 경우

평가기와 데이터셋을 공유 자산으로 만들고, 동일 리포트 포맷을 사용하니 의사결정이 빨라졌습니다.

실무 적용 순서

1. 핵심 업무 질문 20개로 미니 데이터셋 구성
2. 정답 기준 또는 합격 조건을 문서화
3. 주 1회 자동 eval 실행
4. 하락 지표 1개만 집중 개선

성공 판정:

• 성능 논의가 감각이 아니라 숫자로 이뤄진다
• 배포 전 비교 리포트가 남는다
• 문제 유형별 개선 우선순위가 명확하다

다음 글

• 🐍10. Durable Execution: 장기 작업 신뢰성
• 🐍08. Graph로 복잡 플로우 설계
• 🐍 PydanticAI 허브