0Pricing
AI Prompt Engineering · บทเรียน

การตรวจติดตามประสิทธิภาพพรอมต์ในระบบจริง

ติดตามเวลาแฝง ต้นทุน คะแนนคุณภาพ และอัตราความล้มเหลวของแต่ละเวอร์ชันพรอมต์

การตรวจติดตามประสิทธิภาพพรอมต์ในระบบจริง เป็นบทเรียน AI Prompt Engineering ฟรีบน CoddyKit นี่คือบทเรียนที่ 4 จากทั้งหมด 4 บทเรียน คุณสามารถอ่านบทเรียนทั้งหมดด้านล่างฟรี — จากนั้นลองปฏิบัติด้วยตัวคุณเองในเบราว์เซอร์พร้อมตัวแก้ไขโค้ดในตัวและติวเตอร์ AI ตลอด 24/7 บทเรียนนี้เป็นส่วนหนึ่งของเส้นทางการเรียน AI Prompt Engineering และความก้าวหน้าของคุณจะซิงค์ข้ามเว็บและแอป CoddyKit คอร์ส AI Prompt Engineering มีบทเรียนทั้งหมด 4 บทเรียน

เหตุใดจึงต้องติดตามประสิทธิภาพของพรอมต์

พรอมต์ที่นำไปใช้งานในระบบจริงยังไม่ถือว่า “เสร็จสมบูรณ์” พฤติกรรมของโมเดลเปลี่ยนแปลงไปตามการอัปเดต ข้อมูลนำเข้าของผู้ใช้เปลี่ยนไปตามเวลา และค่าใช้จ่ายอาจพุ่งสูงขึ้นโดยไม่คาดคิด การติดตามอย่างต่อเนื่องช่วยตรวจจับการถดถอยก่อนที่จะส่งผลเสียต่อผู้ใช้ และช่วยให้คาดการณ์ค่าใช้จ่ายได้

เมตริกสำคัญสำหรับแต่ละเวอร์ชันพรอมต์

ให้ติดตามเมตริกห้ารายการต่อเวอร์ชันพรอมต์ในระบบจริง:

  • เวลาแฝงเฉลี่ย: เวลาตั้งแต่ส่งคำขอจนได้รับผลลัพธ์ทั้งหมด (P50, P95, P99)
  • ค่าใช้จ่ายต่อการเรียกใช้: โทเค็นขาเข้า × ราคาขาเข้า + โทเค็นขาออก × ราคาขาออก
  • คะแนนคุณภาพ: การประเมินอัตโนมัติ (LLM เป็นผู้ตัดสินหรือเมตริกของงาน)
  • อัตราข้อผิดพลาด: ข้อผิดพลาดจากเอพีไอ + การแยกวิเคราะห์ผลลัพธ์ที่มีรูปแบบไม่ถูกต้องล้มเหลว
  • ความพึงพอใจของผู้ใช้: คะแนนการกดถูกใจหรือไม่ถูกใจ อัตราการลองใหม่ และการยุติช่วงการใช้งานกลางคัน

การวัดและบันทึก: การบันทึกเมตริก

ห่อหุ้มการเรียก LLM ทุกครั้งด้วยการวัดและบันทึกที่จัดเก็บเมตริกสำคัญทั้งหมดลงในแหล่งเก็บข้อมูลอนุกรมเวลาหรือฐานข้อมูล เพื่อใช้วิเคราะห์และแจ้งเตือนในภายหลัง

import time
import openai

client = openai.OpenAI(api_key='YOUR_API_KEY')

def instrumented_call(prompt_id, version, messages, model):
    start = time.time()
    error = False
    response = None
    try:
        response = client.chat.completions.create(
            model=model,
            messages=messages
        )
    except Exception as e:
        error = True
        raise
    finally:
        latency_ms = (time.time() - start) * 1000
        usage = response.usage if response else None
        record_metric({
            'prompt_id': prompt_id,
            'version': version,
            'latency_ms': latency_ms,
            'input_tokens': usage.prompt_tokens if usage else 0,
            'output_tokens': usage.completion_tokens if usage else 0,
            'error': error,
            'timestamp': time.time()
        })
    return response

การคำนวณค่าใช้จ่ายต่อการเรียกใช้

ค่าใช้จ่ายต่อการเรียกใช้ = โทเค็นขาเข้า × ราคาขาเข้า + โทเค็นขาออก × ราคาขาออก การจัดเก็บจำนวนโทเค็นดิบช่วยให้คำนวณค่าใช้จ่ายใหม่ได้ทุกครั้งที่มีการเปลี่ยนแปลงราคา

# pricing.py — model pricing table (per 1M tokens)
PRICING = {
    'gpt-4o': {'input': 2.50, 'output': 10.00},
    'gpt-4o-mini': {'input': 0.15, 'output': 0.60},
    'claude-3-5-sonnet-20241022': {'input': 3.00, 'output': 15.00},
}

def cost_usd(model, input_tokens, output_tokens):
    p = PRICING.get(model)
    if not p:
        return None
    cost = (input_tokens / 1_000_000) * p['input'] \
         + (output_tokens / 1_000_000) * p['output']
    return round(cost, 6)

# Example
c = cost_usd('gpt-4o-mini', input_tokens=800, output_tokens=200)
print(f'Cost per call: ${c}')   # Cost per call: $0.000240

# Daily cost estimate
calls_per_day = 50_000
print(f'Daily cost: ${round(c * calls_per_day, 2)}')  # $12.00

การให้คะแนนคุณภาพอัตโนมัติ

ใช้ LLM เป็นผู้ตัดสินเพื่อให้คะแนนคุณภาพของผลลัพธ์โดยอัตโนมัติในระดับการใช้งานจริง ให้สุ่มตัวอย่างการเรียกใช้ 5-10% เพื่อให้คะแนนคุณภาพและควบคุมค่าใช้จ่ายให้อยู่ในระดับที่จัดการได้

import random

JUDGE_SAMPLE_RATE = 0.05  # score 5% of calls

JUDGE_PROMPT = '''Rate the quality of this AI response on a scale of 1-5.
1=Very poor, 3=Acceptable, 5=Excellent.
Return only the integer score.

User input: {input}
AI response: {output}'''

def maybe_score_quality(user_input, ai_output, model='gpt-4o-mini'):
    if random.random() > JUDGE_SAMPLE_RATE:
        return None  # not sampled

    judge_messages = [{'role': 'user', 'content':
        JUDGE_PROMPT.format(input=user_input, output=ai_output)}]
    response = client.chat.completions.create(
        model=model, messages=judge_messages, max_tokens=5
    )
    try:
        score = int(response.choices[0].message.content.strip())
        return max(1, min(5, score))  # clamp to 1-5
    except ValueError:
        return None

การจัดเก็บเมตริกในฐานข้อมูลอนุกรมเวลา

ฐานข้อมูลอนุกรมเวลา (InfluxDB, TimescaleDB หรือแม้แต่ตาราง PostgreSQL แบบง่าย ๆ ที่มีดัชนีเวลา) จัดเก็บเมตริกต่อการเรียกใช้ได้อย่างมีประสิทธิภาพ และรองรับคำค้นเพื่อรวมข้อมูลสำหรับแผงควบคุม

-- TimescaleDB / PostgreSQL schema for prompt metrics
CREATE TABLE prompt_metrics (
  ts              TIMESTAMPTZ NOT NULL DEFAULT NOW(),
  prompt_id       VARCHAR(100),
  version         VARCHAR(20),
  model           VARCHAR(50),
  latency_ms      FLOAT,
  input_tokens    INT,
  output_tokens   INT,
  cost_usd        FLOAT,
  quality_score   FLOAT,   -- NULL if not sampled
  error           BOOLEAN DEFAULT FALSE
);

-- Convert to hypertable (TimescaleDB)
SELECT create_hypertable('prompt_metrics', 'ts');

-- Query: hourly P95 latency by version
SELECT
  date_trunc('hour', ts) AS hour,
  version,
  PERCENTILE_CONT(0.95) WITHIN GROUP (ORDER BY latency_ms) AS p95_latency
FROM prompt_metrics
WHERE prompt_id = 'summarize-article'
  AND ts > NOW() - INTERVAL '24 hours'
GROUP BY 1, 2
ORDER BY 1;

การสร้างแผงควบคุมเมตริก

แผงควบคุมจะแสดงเมตริกสำคัญห้ารายการแบบทันที ใช้กราฟานา (พร้อมแหล่งข้อมูล TimescaleDB) หรือแผงควบคุมเว็บที่สร้างขึ้นเอง แผงข้อมูลสำคัญมีดังนี้:

  • เวลาแฝง P50/P95/P99 ตามช่วงเวลา แยกตามเวอร์ชัน
  • แนวโน้มค่าใช้จ่ายต่อการเรียกใช้ (รายวัน/รายสัปดาห์)
  • เปอร์เซ็นต์อัตราข้อผิดพลาด
  • ค่าเฉลี่ยเคลื่อนที่ของคะแนนคุณภาพ
  • คะแนนความพึงพอใจของผู้ใช้
# Simple dashboard query aggregation in Python
def get_dashboard_stats(conn, prompt_id, hours=24):
    with conn.cursor() as cur:
        cur.execute('''
            SELECT
              version,
              COUNT(*) AS calls,
              AVG(latency_ms) AS avg_latency,
              PERCENTILE_CONT(0.95)
                WITHIN GROUP (ORDER BY latency_ms) AS p95_latency,
              AVG(cost_usd) AS avg_cost,
              AVG(quality_score) FILTER (WHERE quality_score IS NOT NULL) AS avg_quality,
              SUM(error::int)::float / COUNT(*) AS error_rate
            FROM prompt_metrics
            WHERE prompt_id = %s
              AND ts > NOW() - INTERVAL %s
            GROUP BY version
            ORDER BY MAX(ts) DESC
        ''', (prompt_id, f'{hours} hours'))
        return cur.fetchall()

การตรวจจับความผิดปกติสำหรับการถดถอยของพรอมต์

การตรวจสอบแผงควบคุมด้วยตนเองอาจพลาดการถดถอยที่เกิดขึ้นอย่างช้า ๆ การตรวจจับความผิดปกติอัตโนมัติจะเปรียบเทียบช่วงข้อมูลเลื่อนกับค่าพื้นฐานในอดีต และส่งสัญญาณเตือนเมื่อความเบี่ยงเบนเกินเกณฑ์

import statistics

def detect_anomaly(recent_values, baseline_values, threshold_std=2.0):
    if len(baseline_values) < 10:
        return False  # not enough data
    baseline_mean = statistics.mean(baseline_values)
    baseline_std = statistics.stdev(baseline_values)
    recent_mean = statistics.mean(recent_values)

    if baseline_std == 0:
        return False
    z_score = abs(recent_mean - baseline_mean) / baseline_std
    return z_score > threshold_std

# Example: detect quality regression
baseline_quality = [4.1, 4.0, 4.2, 4.1, 4.0, 3.9, 4.1, 4.2, 4.0, 4.1]
recent_quality   = [3.2, 3.1, 3.4, 3.0]

if detect_anomaly(recent_quality, baseline_quality):
    print('ALERT: Quality score anomaly detected!')
    # fire_pagerduty_alert(...)
else:
    print('Quality within normal range')

กฎและเกณฑ์การแจ้งเตือน

กำหนดกฎการแจ้งเตือนเป็นโค้ด เพื่อให้ควบคุมเวอร์ชันและตรวจทานได้ กฎการแจ้งเตือนสำหรับการติดตามพรอมต์ที่พบได้บ่อยมีดังนี้:

  • อัตราข้อผิดพลาด > 5% ติดต่อกัน 5 นาที
  • เวลาแฝง P95 > 10 วินาที เป็นเวลา 3 นาที
  • ค่าใช้จ่ายต่อวัน > 2 เท่าของค่าเฉลี่ยรายสัปดาห์ (ค่าใช้จ่ายพุ่งสูงขึ้น)
  • คะแนนคุณภาพลดลง > 20% จากค่าพื้นฐาน
# alerts.yaml (Grafana alerting or custom)
alerts:
  - name: HighErrorRate
    condition: error_rate > 0.05
    for: 5m
    severity: critical
    message: 'Prompt {prompt_id} error rate {error_rate:.1%} exceeds 5%'

  - name: HighLatencyP95
    condition: p95_latency_ms > 10000
    for: 3m
    severity: warning
    message: 'P95 latency {p95_latency_ms}ms exceeds 10s for {prompt_id}'

  - name: CostSpike
    condition: daily_cost_usd > weekly_avg_daily_cost * 2
    for: 1h
    severity: warning
    message: 'Daily cost ${daily_cost_usd:.2f} is 2x the weekly average'

  - name: QualityRegression
    condition: rolling_quality_avg < baseline_quality_avg * 0.80
    for: 15m
    severity: critical
    message: 'Quality dropped {pct_drop:.0%} for prompt {prompt_id}'

สัญญาณความพึงพอใจของผู้ใช้

เมตริกอัตโนมัติไม่สามารถสะท้อนทุกสิ่งได้ ให้รวบรวมสัญญาณจากผู้ใช้ทั้งโดยตรงและโดยอ้อมเพื่อเสริมคะแนนคุณภาพ:

  • คะแนนการกดถูกใจหรือไม่ถูกใจ: ผู้ใช้กด 👍/👎 ให้กับคำตอบจากปัญญาประดิษฐ์โดยตรง
  • อัตราการลองใหม่: ผู้ใช้ส่งคำค้นเดิมอีกครั้งทันที (เป็นสัญญาณความไม่พึงพอใจโดยอ้อม)
  • อัตราการคัดลอก/นำไปใช้: ผู้ใช้คัดลอกผลลัพธ์จากปัญญาประดิษฐ์ (เป็นสัญญาณความพึงพอใจโดยอ้อม)
  • อัตราการแก้ไข: ผู้ใช้แก้ไขผลลัพธ์จากปัญญาประดิษฐ์ก่อนนำไปใช้
# feedback_collector.py
def record_feedback(prompt_id, version, call_id, signal_type, value):
    '''
    signal_type: 'thumbs' | 'retry' | 'copy' | 'edit'
    value: for thumbs: 1 (up) or -1 (down); others: 1 (occurred)
    '''
    db.execute(
        'INSERT INTO prompt_feedback '
        '(prompt_id, version, call_id, signal_type, value, ts) '
        'VALUES (%s, %s, %s, %s, %s, NOW())',
        (prompt_id, version, call_id, signal_type, value)
    )

# Aggregate satisfaction score
def satisfaction_score(prompt_id, version):
    rows = db.fetch(
        'SELECT signal_type, AVG(value) as avg_val FROM prompt_feedback '
        'WHERE prompt_id=%s AND version=%s GROUP BY signal_type',
        (prompt_id, version)
    )
    return {r['signal_type']: round(r['avg_val'], 3) for r in rows}

รายงานเปรียบเทียบเวอร์ชัน

เมื่อประเมินว่าจะเลื่อนระดับหรือย้อนกลับการทดสอบแบบคานารีหรือไม่ ให้สร้างการเปรียบเทียบเมตริกทั้งหมดแบบเคียงข้างกันระหว่างเวอร์ชันใหม่กับค่าพื้นฐาน รายงานนี้ใช้ประกอบการตัดสินใจเลื่อนระดับ

def version_comparison_report(prompt_id, version_a, version_b, hours=48):
    stats_a = get_dashboard_stats_for_version(prompt_id, version_a, hours)
    stats_b = get_dashboard_stats_for_version(prompt_id, version_b, hours)

    print(f'=== Comparison: {version_a} vs {version_b} ===')
    metrics = ['avg_latency', 'p95_latency', 'avg_cost', 'avg_quality', 'error_rate']
    for m in metrics:
        va = stats_a.get(m, 0)
        vb = stats_b.get(m, 0)
        delta = vb - va
        pct = (delta / va * 100) if va else 0
        direction = '+' if delta > 0 else ''
        print(f'{m:20s}: {va:.4f} -> {vb:.4f}  ({direction}{pct:.1f}%)')

# Example output:
# avg_latency         : 1234.5000 -> 1189.2000  (-3.7%)
# p95_latency         : 3210.0000 -> 3050.0000  (-5.0%)
# avg_cost            : 0.000240 -> 0.000255  (+6.2%)
# avg_quality         : 4.1000 -> 4.3000  (+4.9%)
# error_rate          : 0.0120 -> 0.0080  (-33.3%)

การตรวจสอบอย่างรวดเร็ว

คุณต้องการตรวจจับการถดถอยของคุณภาพโดยอัตโนมัติโดยไม่ต้องตรวจสอบแผงควบคุมด้วยตนเอง วิธีใดเหมาะสมที่สุดสำหรับงานนี้

สรุปการติดตาม

การติดตามพรอมต์ในระบบจริงจำเป็นต้องติดตามห้ามิติในแต่ละเวอร์ชัน:

  • เวลาแฝง (P50/P95/P99) — ประสบการณ์ของผู้ใช้
  • ค่าใช้จ่ายต่อการเรียกใช้ — สุขภาพทางการเงิน
  • คะแนนคุณภาพ — การสุ่มตัวอย่างเพื่อประเมินโดย LLM เป็นผู้ตัดสิน
  • อัตราข้อผิดพลาด — ความน่าเชื่อถือ
  • ความพึงพอใจของผู้ใช้ — คะแนนการกดถูกใจหรือไม่ถูกใจ การลองใหม่ และสัญญาณการคัดลอก

จัดเก็บเมตริกในฐานข้อมูลอนุกรมเวลา แสดงผลในแผงควบคุม และส่งสัญญาณเตือนเมื่อเกินเกณฑ์ รายงานเปรียบเทียบเวอร์ชันช่วยประกอบการตัดสินใจเลื่อนระดับและย้อนกลับ

คำถามที่พบบ่อย

บทเรียน “การตรวจติดตามประสิทธิภาพพรอมต์ในระบบจริง” ฟรีหรือไม่

ใช่ — ข้อความเต็มของ “การตรวจติดตามประสิทธิภาพพรอมต์ในระบบจริง” ฟรีให้อ่านที่นี่บนเว็บ เพื่อปฏิบัติแบบโต้ตอบ (ตัวแก้ไขโค้ดในตัวและติวเตอร์ AI ตลอด 24/7) และปลดล็อคส่วนที่เหลือของคอร์ส AI Prompt Engineering ให้อัปเกรดเป็น CoddyKit PRO คอร์ส AI Prompt Engineering มีบทเรียนทั้งหมด 4 บทเรียน

คุณจะเรียนรู้อะไรในบทเรียน “การตรวจติดตามประสิทธิภาพพรอมต์ในระบบจริง”

ติดตามเวลาแฝง ต้นทุน คะแนนคุณภาพ และอัตราความล้มเหลวของแต่ละเวอร์ชันพรอมต์ คุณปฏิบัติ AI Prompt Engineering ด้วยโค้ดที่ใช้งานได้จริงที่คุณเรียกใช้โดยตรงในเบราว์เซอร์ และติวเตอร์ AI ตลอด 24/7 ตอบคำถามของคุณขณะที่คุณไปผ่านบทเรียน

คุณต้องมีประสบการณ์ก่อนที่จะเริ่มเรียน AI Prompt Engineering หรือไม่

ไม่จำเป็นต้องมีประสบการณ์มาก่อน AI Prompt Engineering บน CoddyKit ออกแบบมาสำหรับผู้เริ่มต้นไปจนถึงผู้เรียนขั้นสูง คุณสามารถเริ่มต้นที่นี่หรือเริ่มจากตัวแรกและเรียนด้วยความเร็วของคุณเอง นี่คือบทเรียนที่ 4 จากทั้งหมด 4 บทเรียน

บทเรียน “การตรวจติดตามประสิทธิภาพพรอมต์ในระบบจริง” ใช้เวลานานแค่ไหน

บทเรียน CoddyKit ส่วนใหญ่ใช้เวลาประมาณ 5–10 นาที แต่ละบทเรียนจึงสั้นและเป็นแบบโต้ตอบ คุณสามารถก้าวหน้าอย่างต่อเนื่องและกลับมาเรียนต่อจากตรงที่เพิ่งหยุดบนเว็บและแอปได้เลย

ฉันเขียนและรันโค้ดในบทเรียน AI Prompt Engineering นี้ได้ไหม

ได้ บทเรียน AI Prompt Engineering ทุกบทมีตัวแก้ไขโค้ดในตัว คุณจึงเขียนและรันโค้ดจริงได้เลยในเบราว์เซอร์ และได้รับข้อเสนอแนะจาก AI ในทันที — ไม่ต้องติดตั้งในเครื่องของคุณ

บทเรียนทั้งหมดในหลักสูตรนี้

  1. สถาปัตยกรรมทะเบียนพรอมต์
  2. การควบคุมเวอร์ชันสำหรับพรอมต์
  3. กลยุทธ์การนำไปใช้งานและย้อนกลับ
  4. การตรวจติดตามประสิทธิภาพพรอมต์ในระบบจริง
← กลับไปที่ AI Prompt Engineering