トラジェクトリ評価 (行動履歴評価)
読み: とらじぇくとりひょうか
最終更新: 2026-07-28・AI PICKS編集部
定義
トラジェクトリ評価とは、AIエージェントが目的達成までに行った一連の行動・判断（ツール呼び出しや推論ステップ）の履歴を評価する手法のこと。
トラジェクトリ評価 (行動履歴評価)とは — 詳しく解説
トラジェクトリ評価は、AIエージェントの最終出力だけでなく、目的達成までの途中経過——ツール選択の妥当性、手順の順序、無駄な繰り返しや脱線の有無——を対象に評価する手法で、業界標準の評価軸として広く採用されている。従来の出力単体評価では見えなかった「正しい答えに偶然たどり着いた」ケースを見抜けるのが強みとされる。ただし2026年時点の実運用では、ステップ数が多いエージェントほど評価対象ログが膨らみ、LLM-as-judgeによる逐次採点のコストが出力評価より大幅に高くつく点が現場の落とし穴になっている。相場感としては全ステップを毎回評価するのではなく、サンプリングやルールベース採点との併用でコストを抑える選び方が現実的とされる。
トラジェクトリ評価 (行動履歴評価)の使用例
- カスタマーサポートAgentがFAQ検索→回答生成の順で正しくツールを呼んだか、トラジェクトリ評価でステップごとに採点する。
- 「このエージェントの行動履歴を評価し、不要なツール呼び出しがあれば指摘して」とLLM-as-judgeに渡すプロンプト例。
トラジェクトリ評価 (行動履歴評価)に関連するAIツール
関連用語
「評価指標」の他の用語
Massive Multitask Language Understanding。 57 分野・1.5 万問の LLM 知識評価ベンチマーク。
OpenAI 発の Python コーディング能力ベンチマーク。 164 問の関数実装タスク。
ユーザー投票による LLM の人間評価ランキング。 Elo レーティングで モデルを順位付け。
ベンチマークとは、AIモデルの性能を標準化されたテスト課題で数値化し、異なるモデル間を公平に比較するための評価基準セットのこと。MMLUやHumanEval等、用途別に数十種類が存在する。
SWE-benchとはGitHubの実際のIssueをAIが自動修正できるかを測る、コーディングAI評価の業界標準ベンチマークのこと。
GPQAとは、生物・物理・化学の大学院レベルの難問でAIの推論力を測る評価ベンチマークのこと。Googleで検索しても解けない設計が特徴。
AI用語辞典をすべて見てみませんか
12カテゴリ・1113語以上を体系的に整理しています
辞典トップへ