Evaluation

Métriques d’abord, interprétation ensuite. Pas de score LLM arbitraire.

Explication simple

Si tu ne peux pas te tromper de façon visible, tu n’évalues pas, tu racontes.

Explication technique

Task completion, exactitude, coût, latence, hallucinations, tool-use. Conserver les versions. SignalLab plus tard : early-signal precision, pas un vibe check.

Preuves

Profilage A/B/C (profile-llm.v1) et HITL automation (hitl-agent.v2 : classification 100 %, fausse autonomie 15 %, contre 60 % en v1). Gold versionné, pas un ranking de frameworks.