11

19:20 - 20:48

Engineを自社利用し、ハーネスの動作をベンチマークする

Q&Aで明らかになるEngineの位置づけ

質疑応答で、Harrison ChaseはLangSmith Engineもエージェントとして動かしていると説明しました。Engineは、評価される元のエージェントの実行そのものではありません。トレースを調べ、問題を見つけ、改善作業を支える側のエージェントです。

チームは、そのEngineを自分たちの仕事やEngineに関係するトレースに使います。このように、自分たちが作っているものを自分たちの仕事で使うことを、ドッグフーディング(dogfooding)と呼びます。「EngineをEngineに使う」という表現は、新しいモデルの構造を意味しません。Engineというエージェントを、Engineの開発や関連する問題の調査に使うという意味です。

話者の説明を運用の流れとして整理すると、次のようになります。

  1. Engineをエージェントとして動かし、Engineに関係するIssue(問題)やトレースを調べます。
  2. Engineの作業についての報告をSlackに送ります。
  3. チームはその結果を自分たちの開発で使い、Engineを実際に使いながら確かめます。

Issue BenchはHarbor形式の比較用ベンチマーク

さらに、チームはEngineに関係する問題を継続的に比べるため、Issue Benchというベンチマーク(benchmark)を使っていると説明しました。これはHarborそのものではありません。Harborの形式で作った、チーム向けのベンチマークです。したがって、Harborは評価を実行する枠組みであり、Issue Benchはその枠組みに合わせた具体的な問題集だと考えると分かりやすいです。

共通のベンチマークでは、同じEngine関連のIssueに対して、異なるモデルやハーネスを動かして比べます。これにより、単に「どれが一番か」という一つの順位だけでなく、それぞれの強みと弱みを見られます。あるハーネスは長いトレースを調べるのが得意かもしれません。一方で、別のハーネスは別の種類のIssueを安定して処理するかもしれません。これは説明のための例であり、実際の順位やスコアを示すものではありません。

この比較の大切さは、条件をそろえて原因を考えられる点にあります。同じ問題を使ってモデルだけを変えれば、モデルの違いを調べやすくなります。モデルを同じにしてハーネスだけを変えれば、ツールの使い方やトレースの扱いなど、ハーネスの違いを調べやすくなります。つまり、ベンチマークはハーネスの動作を測れる共通の物差しになります。

Codexのトレース分析から得た観察

モデルとハーネスを比べる中で、チームはCodexの動作に一つの特徴を見つけたと話しました。Codexはトレースに対して、小さな分析用スクリプトを積極的に書いていました。スクリプトを使うと、大量のトレースを手作業だけで読むのではなく、必要なパターンを直接探せます。

ただし、これはその比較やスプリントで観察された動作です。Codexがいつでもこの方法を使うことや、他の方法より必ず優れていることを示す話ではありません。話者は、観察した有用なパターンを次の改善に利用した、と説明しています。

具体的には、トレースに対して小さなスクリプトを書くという学びを、コアのEngineハーネスに取り込みました。元の実験で見つかった方法を、共通のハーネスの機能として使える形にする流れです。これによって、特定の一回の実験だけで終わらず、以後のEngineの作業でも同じ種類の分析を行う候補になります。

この移し替えは、文字起こしでは「codexification」と聞こえる語で呼ばれています。ただし、元の発言は途中で途切れており、その用語の正確なつづりや正式な定義は確かではありません。ここで確かなのは、Codexの実験から得た学びをコアのEngineハーネスへ戻した、という動作です。

評価と可観測性へのつながり

このQ&Aは、評価と可観測性がハーネスの改善にどう役立つかを具体化しています。Issue Benchは、モデルやハーネスの動作を同じ条件で測ります。トレースの分析は、どのような方法が問題解決に役立ったかを調べる材料になります。そして、うまく働いた方法は、コアのハーネスに取り込む候補になります。この流れにより、ベンチマークは結果を比べるだけでなく、次にハーネスをどう変えるかを考えるための証拠にもなります。

100% スペースキーとドラッグで移動 | Ctrl/Cmdとホイールで拡大縮小