如何评估图

langgraph

langgraph 是一个用于构建有状态、多参与者 LLM 应用程序的库，用于创建智能体和多智能体工作流。评估 langgraph 图可能具有挑战性，因为单次调用可能涉及多次 LLM 调用，并且执行哪些 LLM 调用可能取决于先前调用的输出。在本指南中，我们将重点介绍如何将图和图节点传递给 evaluate() / aevaluate() 的机制。关于构建智能体时的评估技术和最佳实践，请前往 langgraph 文档。

端到端评估

最常见的评估类型是端到端评估，即我们希望针对每个示例输入评估图的最终输出。

定义图

让我们先构建一个简单的 ReACT 智能体：

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):
    # 消息的类型为 "list"。注解中的 'add_messages' 函数
    # 定义了应如何更新此状态键
    # （在这种情况下，它会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...
    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 进行了工具调用，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)

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

# 将入口点设置为 'agent'
# 这意味着首先调用此节点
workflow.add_edge(START, "agent")

# 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'。
    # 这意味着这是在调用 'agent' 节点后采取的边。
    "agent",
    # 接下来，我们传入将决定下一个调用哪个节点的函数。
    should_continue,
)

# 现在添加一条从 'tools' 到 'agent' 的普通边。
# 这意味着在调用 'tools' 之后，接下来调用 'agent' 节点。
workflow.add_edge("tools", 'agent')

# 最后，编译它！
# 这将其编译成一个 LangChain Runnable，
# 意味着你可以像使用任何其他 runnable 一样使用它。
# 注意，我们在编译图时（可选地）传递了内存
app = workflow.compile()

创建数据集

让我们创建一个简单的问题和预期响应数据集：

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",
    inputs=[{"question": q} for q in questions],
    outputs=[{"answers": a} for a in answers],
)

创建评估器

以及一个简单的评估器：需要 langsmith>=0.2.0

judge_llm = init_chat_model("gpt-4.1")

async def correct(outputs: dict, reference_outputs: dict) -> bool:
    instructions = (
        "Given an actual answer and an expected answer, determine whether"
        " the actual answer contains all of the information in the"
        " expected answer. Respond with 'CORRECT' if the actual answer"
        " does contain all of the expected information and 'INCORRECT'"
        " otherwise. Do not include anything else in your response."
    )
    # 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"

运行评估

现在我们可以运行评估并查看结果。我们只需要包装我们的图函数，使其能够接受示例中存储的输入格式：

如果你的所有图节点都定义为同步函数，那么你可以使用 evaluate 或 aevaluate。如果你的任何节点定义为异步，则需要使用 aevaluate。

需要 langsmith>=0.2.0

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。
# 记住，langgraph 图也是 langchain runnable。
target = example_to_state | app

experiment_results = await aevaluate(
    target,
    data="weather agent",
    evaluators=[correct],
    max_concurrency=4,  # 可选
    experiment_prefix="claude-3.5-baseline",  # 可选
)

评估中间步骤

通常，不仅评估智能体的最终输出，还评估其采取的中间步骤是很有价值的。langgraph 的好处在于，图的输出是一个状态对象，通常已经包含了有关所采取的中间步骤的信息。通常，我们只需查看状态中的消息就可以评估我们感兴趣的内容。例如，我们可以查看消息来断言模型在第一步调用了 ‘search’ 工具。需要 langsmith>=0.2.0

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

experiment_results = await aevaluate(
    target,
    data="weather agent",
    evaluators=[correct, right_tool],
    max_concurrency=4,  # 可选
    experiment_prefix="claude-3.5-baseline",  # 可选
)

如果我们需要访问不在状态中的中间步骤信息，我们可以查看 Run 对象。它包含所有节点输入和输出的完整跟踪：

有关可以传递给自定义评估器的参数，请参阅此操作指南。

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}

experiment_results = await aevaluate(
    target,
    data="weather agent",
    evaluators=[correct, right_tool_from_run],
    max_concurrency=4,  # 可选
    experiment_prefix="claude-3.5-baseline",  # 可选
)

运行和评估单个节点

有时，为了节省时间和成本，你希望直接评估单个节点。langgraph 使这变得容易。在这种情况下，我们甚至可以继续使用我们一直在使用的评估器。

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

node_experiment_results = await aevaluate(
    node_target,
    data="weather agent",
    evaluators=[right_tool_from_run],
    max_concurrency=4,  # 可选
    experiment_prefix="claude-3.5-model-node",  # 可选
)

参考代码

点击查看整合后的代码片段

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
from langsmith import Client, aevaluate

# 定义图
class State(TypedDict):
    # 消息的类型为 "list"。注解中的 'add_messages' 函数
    # 定义了应如何更新此状态键
    # （在这种情况下，它会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...
    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 进行了工具调用，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)

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

# 将入口点设置为 'agent'
# 这意味着首先调用此节点
workflow.add_edge(START, "agent")

# 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'。
    # 这意味着这是在调用 'agent' 节点后采取的边。
    "agent",
    # 接下来，我们传入将决定下一个调用哪个节点的函数。
    should_continue,
)

# 现在添加一条从 'tools' 到 'agent' 的普通边。
# 这意味着在调用 'tools' 之后，接下来调用 'agent' 节点。
workflow.add_edge("tools", 'agent')

# 最后，编译它！
# 这将其编译成一个 LangChain Runnable，
# 意味着你可以像使用任何其他 runnable 一样使用它。
# 注意，我们在编译图时（可选地）传递了内存
app = workflow.compile()

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.",
]

# 创建数据集
ls_client = Client()
dataset = ls_client.create_dataset(
    "weather agent",
    inputs=[{"question": q} for q in questions],
    outputs=[{"answers": a} for a in answers],
)

# 定义评估器
async def correct(outputs: dict, reference_outputs: dict) -> bool:
    instructions = (
        "Given an actual answer and an expected answer, determine whether"
        " the actual answer contains all of the information in the"
        " expected answer. Respond with 'CORRECT' if the actual answer"
        " does contain all of the expected information and 'INCORRECT'"
        " otherwise. Do not include anything else in your response."
    )
    # 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"

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

# 运行评估
experiment_results = await aevaluate(
    target,
    data="weather agent",
    evaluators=[correct, right_tool],
    max_concurrency=4,  # 可选
    experiment_prefix="claude-3.5-baseline",  # 可选
)

Edit this page on GitHub or file an issue.

Connect these docs to Claude, VSCode, and more via MCP for real-time answers.

Datasets

Set up evaluations

Analyze experiment results

Annotation & human feedback

Common data types

端到端评估

定义图

创建数据集

创建评估器

运行评估

评估中间步骤

运行和评估单个节点

相关

参考代码

​端到端评估

​定义图

​创建数据集

​创建评估器

​运行评估

​评估中间步骤

​运行和评估单个节点

​相关

​参考代码

端到端评估

定义图

创建数据集

创建评估器

运行评估

评估中间步骤

运行和评估单个节点

相关

参考代码