Немає вимірювань — немає покращень: Стандарт робить eval-driven development обов'язковим, а AgenticPerformance (APL) — шар, який це реалізує. Він інструментує будь-який агентний стек — LangGraph, CrewAI, OpenAI чи Claude Agent SDK, ба навіть саморобний агентний цикл — через OpenTelemetry, нормалізуючи конвенції OpenInference і gen_ai.* в одну канонічну модель. Поверх цього сховища трейсів він ганяє golden-set-евали на агента з гейтом версій, який блокує регресії в CI, автоматично розбирає збої в стабільні, повторювані від прогону до прогону кластери з трендами за статистичною значущістю та веде керований цикл покращень — assisted, suggested чи автоматичний під суддею — всередині механічно enforced-envelope безпеки з відкотним леджером. Кожен агент отримує headless-скоркарту, доступну як API та по MCP.
Усе, що потрібно, щоб вимірювати й покращувати флот агентів — від сирих спанів до керованого циклу покращень.
Побудований на GenAI-конвенціях OpenTelemetry із шаром нормалізації, що зводить OpenInference і gen_ai.* до однієї канонічної моделі — інструментуєте один раз, міркуєте про кожен прогін.
Обов'язковий детермінований базовий набір плюс golden-set на кожного агента — і гейт версій, який блокує нову версію агента, якщо вона регресує відносно попередньої на замороженому наборі.
Провалені прогони автоматично розбираються в іменовані, стабільні кластери збоїв, що живуть від прогону до прогону, — а тренди спрацьовують лише за статистичної значущості. Без гонитви за шумом.
Три рівні автономії — assisted, suggested і автоматичний під суддею — всередині механічно enforced-envelope безпеки: allowlist диффів, контентний guard і повністю обґрунтований, відкотний леджер покращень.
Агенти й content-addressed, незмінні версії агентів — кожен трейс, евал і покращення прив'язані рівно до тієї версії, яка їх породила.
Headless read-model здоров'я кожного агента — оцінки евалів, кластери збоїв, тренди — доступна як API та по MCP, готова для дашбордів і fleet-view.
Якщо ви не знайшли відповіді на своє запитання, ми пропонуємо безкоштовну консультацію без зобов’язань
Ні. APL не прив'язаний до рушія: він інструментує LangGraph, CrewAI, OpenAI і Claude Agent SDK чи саморобний агентний цикл через OpenTelemetry. Якщо ваш стек вміє віддавати OTLP — APL вміє його вимірювати.
Ядро — Apache 2.0, на GitHub (Moai-Team-LLC/AgenticPerformance). Ентерпрайз-функції — SSO/RBAC, аудит, fleet-view, on-prem — окрема редакція.
Це референс-реалізація поверхні Evals & observability зі Стандарту: трейси, golden-set-евали з гейтом у CI, аналіз помилок і керований цикл покращень — рівно так, як їх приписує Стандарт.
Вони доповнюють одне одного: AgenticOps запускає флот, AgenticMind дає агентам знання й пам'ять, AgenticPerformance вимірює кожен прогін, а AgenticSelfHealingCode лагодить те, що зламалося, — замикаючи цикл run → remember → measure → heal.
Postgres/TimescaleDB як єдине сховище та OTLP-ендпоінт — ingest-сервер приймає стандартні трейси OpenTelemetry, а ізоляція тенантів забезпечена row-level security.
Більше з нашої agentic-практики — стандарт, за яким ми будуємо, опенсорс-шари, що його реалізують, і команда, яка все це запускає.
Хочете вшити eval-driven development у свій агентний стек? Розкажіть про продукт — покажемо, що APL зможе вимірювати з першого дня.