awoooi/docs/evaluations/2026-03-26_llm_testing_evaluation.md

LLM 測試策略評估報告

屬性	值
評估日期	2026-03-26
評估者	首席架構師
狀態	✅ 方案 A 已實施

---

1. 問題定義

現象: CI 中 7 個 LLM 測試失敗

• test_model_regression.py: 4 failed
• test_prompt_validation.py: 3 failed

根因分析:

問題	詳情
測試與生產不一致	測試直接呼叫 Ollama API，未使用 OpenClaw Service
缺少確定性參數	測試未設定 seed, temperature: 0.0
字串匹配過嚴	使用 lambda 檢查特定子字串存在

---

2. 現有架構盤點

2.1 OpenClaw Service (生產環境)

檔案: src/services/openclaw.py

已有配置:

"options": {
    "num_predict": 1024,
    "temperature": 0.1,   # ← 已設定低溫度
    "top_p": 0.9,
},
"format": "json",         # ← 已啟用 JSON 模式

結論: 生產環境已有穩定配置，測試應該復用

2.2 測試檔案 (問題所在)

檔案: tests/test_model_regression.py, tests/test_prompt_validation.py

問題配置:

# 無 seed
# 無 temperature 設定
# 無 format: json
response = await client.post(
    f"{OLLAMA_URL}/api/generate",
    json={
        "model": model,
        "prompt": prompt,
        "stream": False,
        # 缺少 options
    },
)

結論: 測試未使用生產配置，導致不一致

---

3. 解決方案比較

方案 A: Ollama 確定性參數 (最小改動)

改動範圍: 僅修改 2 個測試檔案

# 加入確定性參數
"options": {
    "seed": 42,           # 固定種子
    "temperature": 0.0,   # 零溫度
},
"format": "json",         # JSON 模式

優點:

• 最小改動
• 與生產環境一致
• 無新增依賴

缺點:

• 仍依賴 Live LLM (CI 需要 Ollama 可用)
• 無法完全消除網路波動

評估: ✅ 推薦 - 第一步

---

方案 B: 測試呼叫 OpenClaw Service

改動範圍: 修改測試使用 OpenClaw Service

# 直接使用 OpenClaw Service
from src.services.openclaw import get_openclaw

openclaw = get_openclaw()
result = await openclaw.analyze_alert(...)

優點:

• 測試生產代碼路徑
• 配置自動同步
• 更接近真實場景

缺點:

• 需要更多設定 (Redis, Settings)
• 增加測試複雜度

評估: ⭕ 可考慮 - 整合測試

---

方案 C: 三層測試框架 (ADR-018 原提案)

改動範圍: 新增完整測試框架

優點:

• 完整的測試分層
• 支援 Golden Response Mock
• 語意相似度測試

缺點:

• 大量新增代碼 (~1000 行)
• 增加維護成本
• 可能與現有測試衝突
• 過度工程化風險

評估: ❌ 暫緩 - 先嘗試方案 A

---

4. 衝突檢測

4.1 與現有 ADR 衝突

ADR	檢查結果
ADR-006 AI Fallback	✅ 無衝突
ADR-015 MCP 模組化	✅ 無衝突

4.2 與現有 Memory 衝突

Memory	檢查結果
feedback_no_mock_testing.md	⚠️ 注意: 禁止 Mock，方案 A/B 符合
feedback_modular_architecture.md	✅ 方案 B 更符合

4.3 與現有 Skills 衝突

無直接衝突

---

5. 推薦行動

第一步: 方案 A - 最小改動 (1 小時)

1. 修改 test_model_regression.py:

   • 加入 seed: 42, temperature: 0.0
   • 加入 format: "json"

2. 修改 test_prompt_validation.py:

   • 同上

3. 調整 validators:

   • 改為 JSON Schema 驗證 (與 OpenClaw 一致)

第二步: 驗證效果 (30 分鐘)

• 執行測試 3 次，確認穩定性
• 比較修改前後通過率

第三步: 評估是否需要方案 B/C

• 若方案 A 效果良好 → 完成
• 若仍有問題 → 考慮方案 B 整合測試
• 方案 C 暫緩，待需求更明確時再議

---

6. ADR-018 處理建議

建議: 將 ADR-018 標記為「評估中」，先實施方案 A

原因:

1. 方案 A 更簡單且無新增複雜度
2. 未完成「解決方案導入評估 7 問」
3. 過度工程化風險

已建立新增代碼處理:

• tests/llm_testing/ 框架已建立
• 若方案 A 不足，可作為備用方案
• 但不應立即整合到 CI

---

7. 決策等待項目

1. Ollama 確定性測試結果 - 確認 seed 參數是否有效
2. 統帥確認 - 是否採用方案 A 先行

---

8. 後續追蹤

• Ollama seed 測試完成 (2026-03-26)
• 統帥確認方案選擇 (2026-03-26 批准方案 A)
• 方案 A 實施 (2026-03-26)
  • test_model_regression.py: 加入 temperature: 0.0, seed: 42
  • test_prompt_validation.py: 加入 temperature: 0.0, seed: 42
  • System Prompt 強化繁體中文指令
• CPU 模式超時調整 (2026-03-26 統帥批准)
  • 超時從 120 秒 → 300 秒
  • 計算基準: 0.45 tok/s × 300 tokens = 666 秒
• 繁體中文修復 (2026-03-26)
  • OpenClaw System Prompt v7.0 → v7.1
  • 加入 Language Requirement 章節
  • 明確禁止簡體字
• 效果驗證 (待 CI 執行)
• 決定是否需要方案 B/C

9. GPU 診斷結果 (2026-03-26)

192.168.0.188 無 GPU 硬體

檢查項目	結果
lspci | grep nvidia	無輸出
NVIDIA Driver	未安裝
NVIDIA Libs	未找到

結論: 此伺服器為純 CPU 機器，Ollama 以 CPU 模式運行 (0.45 tok/s)。 需評估是否遷移到有 GPU 的主機。