如何使用预构建评估器

LangSmith 与开源 openevals 包集成，提供了一套预构建的评估器，可作为评估的起点。

本操作指南将演示如何设置和运行一种评估器（LLM 作为评判者）。如需查看包含使用示例的完整预构建评估器列表，请参考 openevals 和 agentevals 代码库。

设置

您需要安装 openevals 包才能使用预构建的 LLM 作为评判者评估器。

Python

pip install -U openevals

您还需要将 OpenAI API 密钥设置为环境变量，不过您也可以选择其他提供商：

export OPENAI_API_KEY="your_openai_api_key"

我们还将使用 LangSmith 的 Python pytest 集成和 TypeScript 的 Vitest/Jest 来运行评估。openevals 也与 evaluate 方法无缝集成。请参阅相应指南了解设置说明。

运行评估器

一般流程很简单：从 openevals 导入评估器或工厂函数，然后在测试文件中使用输入、输出和参考输出来运行它。LangSmith 会自动将评估器的结果记录为反馈。

请注意，并非所有评估器都需要每个参数（例如，精确匹配评估器只需要输出和参考输出）。此外，如果您的 LLM 作为评判者的提示需要额外的变量，将它们作为 kwargs 传入会将其格式化到提示中。

按如下方式设置您的测试文件：

Python

import pytest
from langsmith import testing as t
from openevals.llm import create_llm_as_judge
from openevals.prompts import CORRECTNESS_PROMPT

correctness_evaluator = create_llm_as_judge(
    prompt=CORRECTNESS_PROMPT,
    feedback_key="correctness",
    model="openai:o3-mini",
)

# 模拟您的应用程序
def my_llm_app(inputs: dict) -> str:
    return "Doodads have increased in price by 10% in the past year."

@pytest.mark.langsmith
def test_correctness():
    inputs = "How much has the price of doodads changed in the past year?"
    reference_outputs = "The price of doodads has decreased by 50% in the past year."
    outputs = my_llm_app(inputs)

    t.log_inputs({"question": inputs})
    t.log_outputs({"answer": outputs})
    t.log_reference_outputs({"answer": reference_outputs})

    correctness_evaluator(
        inputs=inputs,
        outputs=outputs,
        reference_outputs=reference_outputs
    )

feedback_key/feedbackKey 参数将用作您实验中反馈的名称。

在终端中运行评估将产生类似以下的结果：

如果您已经在 LangSmith 中创建了数据集，也可以直接将预构建评估器传入 evaluate 方法。如果使用 Python，这需要 langsmith>=0.3.11：

Python

from langsmith import Client
from openevals.llm import create_llm_as_judge
from openevals.prompts import CONCISENESS_PROMPT

client = Client()
conciseness_evaluator = create_llm_as_judge(
    prompt=CONCISENESS_PROMPT,
    feedback_key="conciseness",
    model="openai:o3-mini",
)

experiment_results = client.evaluate(
    # 这是一个虚拟目标函数，请替换为您的实际基于 LLM 的系统
    lambda inputs: "What color is the sky?",
    data="Sample dataset",
    evaluators=[
        conciseness_evaluator
    ]
)

有关可用评估器的完整列表，请参阅 openevals 和 agentevals 代码库。

---

Edit this page on GitHub or file an issue.

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