Как составить журнал ошибок AI-оценки без текста обращений

Перед запуском запишите, какие данные считаются входом, что является ожидаемым результатом, что именно означает отказ и кому предстоит разбирать расхождение. Для AI-оценки важно отдельно хранить вход, ожидаемую метку и фактический результат: если они смешаны, тест может подтверждать сам себя. Используйте стабильные синтетические ID, чтобы видеть ошибку в журнале, не раскрывая содержимое клиентских обращений.

Сначала прогоните тест на маленьком входе, где правильное поведение известно вручную. Затем внесите одну контролируемую ошибку и убедитесь, что код её замечает. После этого верните корректный набор и только тогда расширяйте проверку до реальных данных. Не переносите демонстрационные численные значения или пороги в производство без отдельного обоснования: они выбраны для наглядности, а не рассчитаны по вашей аудитории.

Вход и ожидаемый результат

Событие с case_id T-104 и ошибкой schema_mismatch отображается; попытка добавить raw_text с вымышленным адресом блокируется. Ожидается одна строка INFO case=T-104 error=schema_mismatch, а адрес ivan@example.invalid не должен появиться. Этот пример не доказывает, что весь проект не логирует PII: показан только один handler. Перед тем как применять правило к закрытому корпусу, обсудите пограничные случаи, которые могут поменять интерпретацию входа. Запись в документации о границах теста не менее важна, чем зелёный check.

Пошаговые действия

1. Создайте scripts/check.py в корне репозитория и вставьте код из блока ниже. Он использует названия функций стандартной библиотеки, указанные в официальных ссылках в конце статьи.
2. Выполните python scripts/check.py локально. Не продолжайте, если уже демонстрационная фикстура даёт иной результат: сначала проверьте копирование кода и кодировку файла.
3. Выполните скрипт и проверьте, что в stderr отображается лишь case=T-104, а вторая запись не проходит фильтр. В приложении добавьте filter к каждому handler, через который могут уходить AI-события, а не только к одному демонстрационному обработчику. Используйте отдельные поля error_type и case_id, проверяя, что ID сам по себе не раскрывает клиента. Напишите негативный тест для исключения: многие логгеры могут выводить stack trace с текстом входа, даже если обычное сообщение очищено.
4. Создайте .github/workflows/ai-corpus-check.yml из YAML-шаблона. Событие pull_request полезно для проверки корпуса до слияния; чтение репозитория ограничено permissions: contents: read. Скрипт не должен получать ключ внешней модели или реальные секреты.
5. В разделе Actions откройте job check, сопоставьте его код завершения с локальным прогоном и зафиксируйте ссылку на проверенный коммит в PR. Не принимайте зелёный результат на старой ревизии за проверку последнего изменения.

# scripts/check.py
import logging

class NoRawText(logging.Filter):
    def filter(self, record):
        return not hasattr(record, "raw_text")

logger = logging.getLogger("ai-eval-demo")
logger.setLevel(logging.INFO)
handler = logging.StreamHandler()
handler.addFilter(NoRawText())
handler.setFormatter(logging.Formatter("%(levelname)s case=%(case_id)s error=%(error_type)s"))
logger.addHandler(handler)
logger.info("failure", extra={"case_id":"T-104", "error_type":"schema_mismatch"})
logger.info("failure", extra={"case_id":"T-105", "error_type":"schema_mismatch",
                              "raw_text":"ivan@example.invalid"})
print("Only the first event should appear in the log")

name: AI corpus checks
on:
  pull_request:
permissions:
  contents: read
jobs:
  check:
    runs-on: ubuntu-latest
    steps:
      - uses: actions/checkout@v7
      - uses: actions/setup-python@v7
        with:
          python-version: '3.13'
      - run: python scripts/check.py

Ошибки интерпретации и границы

Фильтр удаляет целую запись, а не редактирует содержимое; потерянное событие нельзя восстановить. Для продакшена нужна согласованная политика полей, проверки всех каналов вывода и безопасное хранение ID. Если вы увеличиваете корпус, добавляйте не только новые примеры, но и отрицательные случаи, на которых тест обязан упасть. Проверяйте, что изменение expected прошло ревью отдельно от изменения кода: иначе можно незаметно изменить правило под текущий ответ системы. Избегайте вывода полного корпуса в CI и не сохраняйте в артефактах ответ закрытой модели без решения о доступе и хранении.

Ошибка выполнения самого Python, нераспознанный формат входа и обнаруженный бизнес-дефект — разные ситуации. В сообщении теста указывайте тип проблемы и безопасный ID. Если тест требует внешний сервис, вынесите его из PR с недоверенным кодом и явно ограничьте доступ к токенам; этот пример намеренно работает локально. Перед публикацией каких-либо результатов опишите методику, размер и происхождение набора, иначе читатель воспримет демонстрационную арифметику как характеристику продукта.

Чек-лист финальной проверки