如何评估图

from typing import Annotated, Literal, TypedDict
from langchain.chat_models import init_chat_model
from langchain.tools import tool
from langgraph.prebuilt import ToolNode
from langgraph.graph import END, START, StateGraph
from langgraph.graph.message import add_messages

class State(TypedDict):
    # 消息的类型是 "list"。注解中的 'add_messages' 函数
    # 定义了如何更新此状态键
    # （在这种情况下，它将消息追加到列表中，而不是覆盖它们）
    messages: Annotated[list, add_messages]

# 定义智能体要使用的工具
@tool
def search(query: str) -> str:
    """调用以浏览网页。"""
    # 这是一个占位符，但不要告诉 LLM 这一点...
    if "sf" in query.lower() or "san francisco" in query.lower():
        return "It's 60 degrees and foggy."
    return "It's 90 degrees and sunny."

tools = [search]
tool_node = ToolNode(tools)
model = init_chat_model("claude-sonnet-4-6").bind_tools(tools)

# 定义决定是否继续的函数
def should_continue(state: State) -> Literal["tools", END]:
    messages = state['messages']
    last_message = messages[-1]

    # 如果 LLM 进行工具调用，则路由到 "tools" 节点
    if last_message.tool_calls:
        return "tools"

    # 否则，我们停止（回复用户）
    return END

# 定义调用模型的函数
def call_model(state: State):
    messages = state['messages']
    response = model.invoke(messages)

    # 我们返回一个列表，因为这将被添加到现有列表中
    return {"messages": [response]}

# 定义一个新图
workflow = StateGraph(State)

# 定义我们将循环的两个节点
workflow.add_node("agent", call_model)
workflow.add_node("tools", tool_node)

# 将入口点设置为 'agent'
# 这意味着此节点是第一个被调用的节点
workflow.add_edge(START, "agent")

# 我们现在添加一个条件边
workflow.add_conditional_edges(
    # 首先，我们定义起始节点。我们使用 'agent'。
    # 这意味着这些是在 'agent' 节点被调用后采取的边。
    "agent",
    # 接下来，我们传入将决定接下来调用哪个节点的函数。
    should_continue,
)

# 我们现在添加从 'tools' 到 'agent' 的普通边。
# 这意味着在 'tools' 被调用后，接下来调用 'agent' 节点。
workflow.add_edge("tools", 'agent')

# 最后，我们编译它！
# 这将其编译为 LangChain Runnable，
# 意味着你可以像使用任何其他 runnable 一样使用它。
# 请注意，我们在编译图时（可选地）传递了内存
app = workflow.compile()

from langsmith import Client

questions = [
    "what's the weather in sf",
    "whats the weather in san fran",
    "whats the weather in tangier"
]

answers = [
    "It's 60 degrees and foggy.",
    "It's 60 degrees and foggy.",
    "It's 90 degrees and sunny.",
]

ls_client = Client()
dataset = ls_client.create_dataset("weather agent")
ls_client.create_examples(
    inputs=[{"question": q} for q in questions],
    outputs=[{"answer": a} for a in answers],
    dataset_id=dataset.id,
)

judge_llm = init_chat_model("gpt-5.4")

async def correct(outputs: dict, reference_outputs: dict) -> bool:
    instructions = (
        "给定一个实际答案和一个预期答案，判断实际答案是否包含"
        "预期答案中的所有信息。如果实际答案包含所有预期信息，"
        "则回复 'CORRECT'，否则回复 'INCORRECT'。"
        "不要在回复中包含任何其他内容。"
    )
    # 我们的图输出一个 State 字典，在这种情况下意味着
    # 我们将有一个 'messages' 键，最后一条消息应该是
    # 我们的实际答案。
    actual_answer = outputs["messages"][-1].content
    expected_answer = reference_outputs["answer"]
    user_msg = (
        f"ACTUAL ANSWER: {actual_answer}"
        f"\n\nEXPECTED ANSWER: {expected_answer}"
    )
    response = await judge_llm.ainvoke(
        [
            {"role": "system", "content": instructions},
            {"role": "user", "content": user_msg}
        ]
    )
    return response.content.upper() == "CORRECT"

import asyncio
from langsmith import aevaluate

def example_to_state(inputs: dict) -> dict:
  return {"messages": [{"role": "user", "content": inputs['question']}]}

# 我们在这里使用 LCEL 声明式语法。
# 请记住，langgraph 图也是 langchain runnables。
target = example_to_state | app

async def main():
    experiment_results = await aevaluate(
        target,
        data="weather agent",
        evaluators=[correct],
        max_concurrency=4,  # 可选
        experiment_prefix="claude-sonnet-4-6-baseline",  # 可选
        metadata={  # 可选，用于在 UI 中填充模型/提示/工具列
            "models": "google_genai:gemini-3.1-pro-preview",
            "tools": [{"name": "search", "description": "Call to surf the web."}],
        },
    )
    print(experiment_results)

asyncio.run(main())

def right_tool(outputs: dict) -> bool:
    tool_calls = outputs["messages"][1].tool_calls
    return bool(tool_calls and tool_calls[0]["name"] == "search")

async def main():
    experiment_results = await aevaluate(
        target,
        data="weather agent",
        evaluators=[correct, right_tool],
        max_concurrency=4,  # 可选
        experiment_prefix="claude-sonnet-4-6-baseline",  # 可选
        metadata={  # 可选，用于在 UI 中填充模型/提示/工具列
            "models": "google_genai:gemini-3.1-pro-preview",
            "tools": [{"name": "search", "description": "Call to surf the web."}],
        },
    )
    print(experiment_results)

from langsmith.schemas import Run, Example

def right_tool_from_run(run: Run, example: Example) -> dict:
    # 获取文档和答案
    first_model_run = next(run for run in root_run.child_runs if run.name == "agent")
    tool_calls = first_model_run.outputs["messages"][-1].tool_calls
    right_tool = bool(tool_calls and tool_calls[0]["name"] == "search")
    return {"key": "right_tool", "value": right_tool}

async def main():
    experiment_results = await aevaluate(
        target,
        data="weather agent",
        evaluators=[correct, right_tool_from_run],
        max_concurrency=4,  # 可选
        experiment_prefix="claude-sonnet-4-6-baseline",  # 可选
        metadata={  # 可选，用于在 UI 中填充模型/提示/工具列
            "models": "google_genai:gemini-3.1-pro-preview",
            "tools": [{"name": "search", "description": "Call to surf the web."}],
        },
    )
    print(experiment_results)

node_target = example_to_state | app.nodes["agent"]

async def main():
    node_experiment_results = await aevaluate(
        node_target,
        data="weather agent",
        evaluators=[right_tool_from_run],
        max_concurrency=4,  # 可选
        experiment_prefix="claude-sonnet-4-6-model-node",  # 可选
        metadata={  # 可选，用于在 UI 中填充模型/提示/工具列
            "models": "google_genai:gemini-3.1-pro-preview",
            "tools": [{"name": "search", "description": "Call to surf the web."}],
        },
    )
    print(node_experiment_results)