特定应用的评估方法

下面，我们将讨论几种流行类型的LLM应用的评估。

​

智能体

LLM驱动的自主智能体结合了三个组件：(1) 工具调用，(2) 记忆，和 (3) 规划。智能体使用工具调用，结合规划（例如，通常通过提示）和记忆（例如，通常是短期消息历史）来生成响应。工具调用允许模型通过生成两样东西来响应给定的提示：(1) 要调用的工具，和 (2) 所需的输入参数。 下面是一个在 LangGraph 中的工具调用智能体。assistant node 是一个LLM，它根据输入决定是否调用工具。tool condition 检查 assistant node 是否选择了工具，如果是，则路由到 tool node。tool node 执行工具并将输出作为工具消息返回给 assistant node。只要 assistant node 选择工具，这个循环就会持续。如果没有选择工具，则智能体直接返回LLM响应。 这设定了三种用户通常感兴趣的通用智能体评估类型：

• 最终响应：评估智能体的最终响应。
• 单步：独立评估智能体的任何步骤（例如，它是否选择了合适的工具）。
• 轨迹：评估智能体是否采取了预期的路径（例如，工具调用的路径）来得出最终答案。

下面我们将介绍这些评估是什么，每种评估所需的组件（输入、输出、评估器），以及何时应考虑使用它们。请注意，您可能希望进行多种（如果不是全部！）类型的评估——它们并非互斥！

​

评估智能体的最终响应

评估智能体的一种方法是评估其在任务上的整体表现。这基本上涉及将智能体视为一个黑盒，简单地评估它是否完成了工作。 输入应该是用户输入和（可选的）工具列表。在某些情况下，工具是作为智能体的一部分硬编码的，不需要传入。在其他情况下，智能体更通用，意味着它没有固定的工具集，需要在运行时传入工具。 输出应该是智能体的最终响应。 评估器根据您要求智能体执行的任务而变化。许多智能体执行相对复杂的步骤集，并输出最终的文本响应。与RAG类似，LLM评判评估器在这些情况下通常很有效，因为它们可以直接从文本响应评估智能体是否完成了工作。 然而，这种评估有几个缺点。首先，它通常需要一段时间才能运行。其次，您没有评估智能体内部发生的任何事情，因此当故障发生时可能难以调试。第三，有时可能难以定义适当的评估指标。

​

评估智能体的单个步骤

智能体通常执行多个操作。虽然端到端评估它们很有用，但评估这些单独的操作也很有用。这通常涉及评估智能体的单个步骤——它决定做什么的LLM调用。 输入应该是单个步骤的输入。根据您测试的内容，这可能只是原始用户输入（例如，提示和/或一组工具），也可以包括先前完成的步骤。 输出只是该步骤的输出，通常是LLM响应。LLM响应通常包含工具调用，指示智能体下一步应采取什么操作。 此评估器通常是二元分数，用于判断是否选择了正确的工具调用，以及一些启发式方法来判断工具的输入是否正确。参考工具可以简单地指定为字符串。 这种评估有几个好处。它允许您评估单个操作，从而帮助您定位应用程序可能失败的地方。它们运行也相对较快（因为只涉及单个LLM调用），并且评估通常使用简单的启发式方法来评估所选工具相对于参考工具的情况。一个缺点是它们没有捕获完整的智能体——只有一个特定的步骤。另一个缺点是数据集创建可能具有挑战性，特别是如果您想在智能体输入中包含过去的历史记录。为智能体轨迹早期的步骤生成数据集相当容易（例如，这可能只包括输入提示），但为轨迹后期的步骤生成数据集可能很困难（例如，包括先前的众多智能体操作和响应）。

​

评估智能体的轨迹

评估智能体的轨迹涉及评估智能体采取的所有步骤。 输入再次是整个智能体的输入（用户输入，以及可选的工具列表）。 输出是工具调用列表，可以表述为“精确”轨迹（例如，预期的工具调用序列）或仅仅是预期的工具调用集合（任何顺序）。 这里的评估器是针对所采取步骤的某种函数。评估“精确”轨迹可以使用单个二元分数来确认序列中每个工具名称的精确匹配。这很简单，但有一些缺陷。有时可能存在多个正确的路径。这种评估也无法区分轨迹偏离单个步骤与完全错误的情况。 为了解决这些缺陷，评估指标可以关注所采取的“不正确”步骤的数量，这能更好地考虑接近的轨迹与显著偏离的轨迹。评估指标也可以关注是否以任何顺序调用了所有预期的工具。 然而，这些方法都没有评估工具的输入；它们只关注所选的工具。为了解决这个问题，另一种评估技术是将完整的智能体轨迹（连同参考轨迹）作为一组消息（例如，所有LLM响应和工具调用）传递给LLM评判。这可以评估智能体的完整行为，但这是最难编写的参考（幸运的是，使用像LangGraph这样的框架可以帮助解决这个问题！）。另一个缺点是评估指标可能有点难以制定。

​

检索增强生成（RAG）

检索增强生成（RAG）是一种强大的技术，涉及根据用户输入检索相关文档，并将其传递给语言模型进行处理。RAG通过利用外部知识，使AI应用程序能够生成更具信息性和上下文感知的响应。

​

数据集

评估RAG应用程序时，一个关键考虑因素是您是否拥有（或可以轻松获取）每个输入问题的参考答案。参考答案作为评估生成响应正确性的基准事实。然而，即使在没有参考答案的情况下，仍然可以使用无参考RAG评估提示（下面提供了示例）进行各种评估。

​

评估器

LLM评判是RAG常用的评估器，因为它是评估文本间事实准确性或一致性的有效方法。 评估RAG应用程序时，您可以使用需要参考输出的评估器和不需要参考输出的评估器：

1. 需要参考输出：将RAG链生成的答案或检索结果与参考答案（或检索结果）进行比较，以评估其正确性。
2. 不需要参考输出：使用不需要参考答案的提示进行自一致性检查（上图中由橙色、绿色和红色表示）。

​

应用RAG评估

应用RAG评估时，请考虑以下方法：

1. 离线评估：对任何依赖参考答案的提示使用离线评估。这最常用于RAG答案正确性评估，其中参考是基准事实（正确）答案。
2. 在线评估：对任何无参考提示使用在线评估。这允许您在实时场景中评估RAG应用程序的性能。
3. 成对评估：利用成对评估来比较不同RAG链产生的答案。此评估侧重于用户指定的标准（例如，答案格式或风格），而不是正确性，正确性可以使用自一致性或基准事实参考进行评估。

​

RAG评估摘要

​

摘要生成

摘要生成是自由形式写作的一种特定类型。评估目标通常是根据一组标准来检查写作（摘要）。 通常使用开发者策划的示例文本进行摘要评估（参见摘要数据集示例）。然而，来自生产（摘要）应用程序的用户日志可以用于在线评估，使用下面任何一种无参考评估提示。 LLM评判通常用于使用无参考提示评估摘要（以及其他类型的写作），这些提示遵循提供的标准对摘要进行评分。提供特定的参考摘要不太常见，因为摘要是一项创造性任务，有许多可能的正确答案。 由于使用了无参考提示，在线或离线评估是可行的。成对评估也是比较不同摘要链（例如，不同的摘要提示或LLM）的强大方式：

​

分类和标签

分类和标签将标签应用于给定的输入（例如，用于毒性检测、情感分析等）。分类/标签评估通常采用以下组件，我们将在下面详细回顾： 分类/标签评估的一个核心考虑因素是您是否拥有带有参考标签的数据集。如果没有，用户通常希望定义一个评估器，使用标准将标签（例如，毒性等）应用于输入（例如，文本、用户问题等）。但是，如果提供了基准事实类别标签，则评估目标侧重于根据基准事实类别标签对分类/标签链进行评分（例如，使用精确度、召回率等指标）。 如果提供了基准事实参考标签，那么通常只需定义一个自定义启发式评估器来比较基准事实标签与链输出。然而，随着LLM的出现，现在更常见的是简单地使用LLM评判根据指定的标准（没有基准事实参考）对输入进行分类/标签。 当使用LLM评判和无参考提示时，在线或离线评估是可行的。特别是，当用户想要标记/分类应用程序输入（例如，用于毒性等）时，这非常适合在线评估。

---