Documentation Index
Fetch the complete documentation index at: https://langchain-zh.cn/llms.txt
Use this file to discover all available pages before exploring further.
我们可以通过 SDK 使用 aevaluate() 异步运行评估，该函数接受与 evaluate() 相同的所有参数，但要求应用程序函数是异步的。了解更多信息，请参阅如何使用 evaluate() 函数。
本指南仅在使用 Python SDK 时相关。在 JS/TS 中，evaluate() 函数已经是异步的。更多信息，请参阅评估 LLM 应用程序。 使用 aevaluate()
需要 langsmith>=0.3.13
from langsmith import wrappers, Client
from openai import AsyncOpenAI
# 可选：包装 OpenAI 客户端以追踪所有模型调用。
oai_client = wrappers.wrap_openai(AsyncOpenAI())
# 可选：添加 'traceable' 装饰器以追踪此函数的输入/输出。
@traceable
async def researcher_app(inputs: dict) -> str:
instructions = """你是一名优秀的研究员。给定一个高层次的研究想法，\
列出 5 个具体问题，这些问题应被研究以确定该想法是否值得推进。"""
response = await oai_client.chat.completions.create(
model="gpt-4.1-mini",
messages=[
{"role": "system", "content": instructions},
{"role": "user", "content": inputs["idea"]},
],
)
return response.choices[0].message.content
# 评估器函数可以是同步或异步的
def concise(inputs: dict, outputs: dict) -> bool:
return len(outputs["output"]) < 3 * len(inputs["idea"])
ls_client = Client()
ideas = [
"universal basic income",
"nuclear fusion",
"hyperloop",
"nuclear powered rockets",
]
dataset = ls_client.create_dataset("research ideas")
ls_client.create_examples(
dataset_name=dataset.name,
examples=[{"inputs": {"idea": i}} for i in ideas],
)
# 也可以直接使用 'aevaluate' 函数：
# from langsmith import aevaluate
# await aevaluate(...)
results = await ls_client.aevaluate(
researcher_app,
data=dataset,
evaluators=[concise],
# 可选，添加并发。
max_concurrency=2, # 可选，添加并发。
experiment_prefix="gpt-4.1-mini-baseline" # 可选，默认为随机。
)
