Braintrust Trace Analysis

Braintrust Trace Analysis

Bu skill Elçi AI agent'ın Braintrust'a loglanan Odoo run trace'lerini analiz eder. Amaç: prompt mühendisliği ve agent mimari iyileştirmeleri için gerçek run verisinden kanıt çıkarmak.

When to use

Tetikleyici ifadeler:

• "son N trace'i analiz et"
• "Braintrust loglarına bak"
• "trace yorumlarını oku"
• "prompt iyileştirme için trace incele"
• "son run'larda ne ters gitti"

Hardcoded references — DO NOT search for these

Context-saving rule (iki ayrı kural):

1. Step span'larındaki system messages'ları okuma. Her step'in input.messages[0] slotunda system prompt'un tam kopyası vardır ve 20 step × 3KB = ~60KB boşuna context harcar. Step data çekerken bunları tamamen atla (Step 3 filtresi bunu zorunlu kılar).

2. elciSystemPrompt.ts dosyasını okuma izni VAR — fakat zamanlama kritik: önce step data'yı çek ve failure mode'ları belirle, SONRA eğer analiz gerçekten prompt'un içeriğine bağlıysa (örn. "system prompt'taki X kuralı yeterince net mi?", "Y davranışı prompt'tan mı kaynaklanıyor?") o zaman elciSystemPrompt.ts'yi Read et. Peşinen okuma — çoğu trace analizi prompt içeriğine bakmadan sonuca varabilir.

Workflow

Step 1 — Fetch last N traces (root spans)

mcp__braintrust__sql_query çağır:

• object_type: project_logs
• object_ids: ["158d767d-faf1-4a17-a39d-baf59e7877f6"]
• shape: summary
• select: id, span_id, root_span_id, input, output, metrics, scores, metadata, created
• where: span_attributes.name = 'elci-agent-execute'
• order_by: created DESC
• preview_length: -1 (metadata.eval için tam metin gerekli)
• limit: N (kullanıcı istediği sayı, default 5)

Her satırdan çıkarılacak metadata:

• input.task → kullanıcı task'ı (Türkçe komut)
• input.model → kullanılan LLM (örn. google/gemini-3-flash-preview)
• input.maxSteps → step bütçesi
• metrics.llm_calls → toplam step sayısı
• metrics.total_tokens, metrics.prompt_tokens, metrics.completion_tokens
• metrics.estimated_cost (USD)
• metrics.duration (saniye)
• scores.success (0 veya 1), scores.stepCount
• output.message, output.finalPageUrl
• metadata.eval → human review notu (bkz. Step 4)
• created, root_span_id (Step 2'de kullanılacak)

Step 2 — Per-trace step spans

Her root_span_id için ayrı sorgu:

• object_type: project_logs
• object_ids: ["158d767d-faf1-4a17-a39d-baf59e7877f6"]
• shape: spans
• select: span_id, span_attributes, input, output, metrics, metadata, comments
• where: root_span_id = '<root_span_id>' AND span_attributes.type = 'llm'
• order_by: metadata.stepIndex ASC
• preview_length: -1 (tam içerik gerekli — sadece bu sorguda kullan, summary'de KULLANMA)
• limit: 100

Step 3 — Filter messages (CONTEXT GUARD — critical)

Her step span'ının input.messages dizisinde her bir mesaj için:

output alanından koru: text, finishReason, toolCalls, toolResults.

DOM snapshot'ları gibi büyük tool result'ları 500 char ile truncate et. Kullanıcı tam içerik isterse ayrıca sorgula.

Step 4 — Collect human review (iki kaynak)

Kaynak A — metadata.eval (BİRİNCİL — nihai kullanıcı değerlendirmesi)

Projede Braintrust "Human Review" ekranı eval adlı serbest metin alanıyla konfigüre edilmiştir. Kullanıcı bir trace üzerine yorum yazdığında bu, root span'ın metadata.eval string alanına düşer.

• Step 1 sorgusunda metadata kolonunu zaten çektin → row.metadata?.eval kontrolü yap
• Bu alan varsa ve doluysa: kullanıcının o trace için yazdığı nihai değerlendirmedir. Diğer tüm sinyallerden (metrik, success score, kendi analizin) daha yüksek güvenle ele al.
• Nasıl değerlendir:
  • Analiz raporunun başına "📝 Human Review notu" başlığı altında tam metnini alıntıla
  • Yorumdaki her iddiayı somut failure mode / aksiyon maddesine dönüştür
  • Kendi analiz çıkarımın yorumla çelişiyorsa, yorumu doğru kabul et ve kendi çıkarımını revize et (kullanıcı ekranı görmüş, sen görmedin)
  • "Patterns & Improvement Hypotheses" bölümündeki aksiyon maddeleri yorumla hizalı olmalı; değilse neden olmadığını belirt

Kaynak B — Span-level comments alanı (İKİNCİL)

Step 2 sorgusundaki comments field'ı — Braintrust UI'nin "Comment" butonuyla span'a eklenen yorumlar. Bu yolun kullanılma ihtimali düşük (proje metadata.eval workflow'unu tercih ediyor) ama doluysa:

• comments[*].comment.text, user_id, created çıkar
• Output'a ilgili step'in altında 💬 "yorum metni" formatında ekle

null olanları atla.

Step 5 — Report format

Her trace için aşağıdaki şablonu üret:

## Trace {idx}: {created} — {task[:80]}
- Model: {model} | Steps: {llm_calls}/{maxSteps} | Tokens: {total_tokens} | Cost: ${estimated_cost}
- Duration: {duration}s | Result: {success ? '✅' : '❌'}
- Final: {output.message}
- URL: {finalPageUrl}

### 📝 Human Review (metadata.eval)   ← sadece doluysa
> "{metadata.eval tam metni}"

### Steps
1. [tool: {toolName}] {assistant.text[:200]}
   → {toolResult[:200]}
   💬 "span-level comment varsa burada"
2. ...

Tüm trace'lerin sonunda kısa bir analiz bölümü:

## Patterns & Improvement Hypotheses
- {tekrarlayan failure mode'lar}
- {tool kullanım anomalileri}
- {prompt iyileştirme önerileri}
- {comments üzerinden çıkarılan aksiyon maddeleri}

Failure modes & guards

• BRAINTRUST_API_KEY yok: MCP 401 döner. Kullanıcıya .env kontrolünü söyle.
• Çok fazla span (>100): OFFSET ile paginate et veya kullanıcıya limit belirt.
• Büyük DOM tool results: 500 char truncate; full içerik için kullanıcı açıkça istesin.
• preview_length: -1 token-pahalı: Step 2 (spans) sorgusunda ve Step 1'de metadata kolonunu çekerken kullan — aksi halde metadata.eval truncate olabilir. Metrik-only sorgularda default'ta bırak.
• System prompt sızıntısı: Step span'larından çekilen input.messages[0] system rolü analiz çıktısına asla düşmemeli — filtre (Step 3) bunu garanti eder. elciSystemPrompt.ts'yi kasıtlı Read etmek farklı: bu okuma context'e gelir, sızıntı sayılmaz ama sadece gerçekten gerektiğinde yap.
• metadata.eval atlanması: Human review notu varsa ve rapora dahil edilmemişse skill hatalı çalışıyor demektir — analiz öncesi her trace'in metadata.eval alanını kontrol ettiğinden emin ol.