> ## 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.

# 如何定义待评估的目标函数

运行评估需要三个主要部分：

1. 一个包含测试输入和预期输出的[数据集](/langsmith/evaluation-concepts#datasets)。
2. 一个待评估的目标函数。
3. 用于为目标函数输出打分的[评估器](/langsmith/evaluation-concepts#evaluators)。

本指南将根据您要评估的应用程序部分，展示如何定义目标函数。关于[如何创建数据集](/langsmith/manage-datasets-programmatically)和[如何定义评估器](/langsmith/code-evaluator-ui)，请参阅此处；关于[运行评估的端到端示例](/langsmith/evaluate-llm-application)，请参阅此处。

## 目标函数签名

为了在代码中评估一个应用程序，我们需要一种运行该应用程序的方式。在使用 `evaluate()`（[Python](https://reference.langchain.com/python/langsmith/client/Client/evaluate) / [JavaScript](https://reference.langchain.com/javascript/functions/langsmith.evaluation.evaluate.html)）时，我们将通过传入一个*目标函数*参数来实现。这是一个接收数据集[示例](/langsmith/evaluation-concepts#examples)的输入，并将应用程序输出作为字典返回的函数。在此函数中，我们可以按需调用我们的应用程序。我们也可以按需格式化输出。关键在于，我们定义的任何评估器函数都应与我们目标函数返回的输出格式兼容。

```python theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
from langsmith import Client

# 'inputs' 将来自您的数据集。
def dummy_target(inputs: dict) -> dict:
    return {"foo": 1, "bar": "two"}

# 'inputs' 将来自您的数据集。
# 'outputs' 将来自您的目标函数。
def evaluator_one(inputs: dict, outputs: dict) -> bool:
    return outputs["foo"] == 2

def evaluator_two(inputs: dict, outputs: dict) -> bool:
    return len(outputs["bar"]) < 3

client = Client()
results = client.evaluate(
    dummy_target,  # <-- 目标函数
    data="your-dataset-name",
    evaluators=[evaluator_one, evaluator_two],
    ...
)
```

<Check>
  `evaluate()` 将自动追踪您的目标函数。这意味着如果您在目标函数中运行任何可追踪的代码，这些代码也将作为目标追踪的子运行被追踪。
</Check>

## 示例：单个 LLM 调用

<CodeGroup>
  ```python Python theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
  from langsmith import wrappers
  from openai import OpenAI

  # 可选地包装 OpenAI 客户端以自动追踪所有模型调用。
  oai_client = wrappers.wrap_openai(OpenAI())

  def target(inputs: dict) -> dict:
    # 这假设您的数据集输入包含一个 'messages' 键。
    # 您可以根据您的数据集模式进行调整。
    messages = inputs["messages"]
    response = oai_client.chat.completions.create(
        messages=messages,
        model="gpt-4.1-mini",
    )
    return {"answer": response.choices[0].message.content}
  ```

  ```typescript TypeScript theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
  import OpenAI from 'openai';
  import { wrapOpenAI } from "langsmith/wrappers";

  const client = wrapOpenAI(new OpenAI());

  // 这是您将要评估的函数。
  const target = async(inputs) => {
    // 这假设您的数据集输入包含一个 `messages` 键
    const messages = inputs.messages;
    const response = await client.chat.completions.create({
        messages: messages,
        model: 'gpt-4.1-mini',
    });
    return { answer: response.choices[0].message.content };
  }
  ```

  ```python Python (LangChain) theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
  from langchain.chat_models import init_chat_model

  model = init_chat_model("gpt-4.1-mini")

  def target(inputs: dict) -> dict:
    # 这假设您的数据集输入包含一个 `messages` 键
    messages = inputs["messages"]
    response = model.invoke(messages)
    return {"answer": response.content}
  ```

  ```typescript TypeScript (LangChain) theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
  import { ChatOpenAI } from '@langchain/openai';

  // 这是您将要评估的函数。
  const target = async(inputs) => {
    // 这假设您的数据集输入包含一个 `messages` 键
    const messages = inputs.messages;
    const model = new ChatOpenAI({ model: "gpt-4.1-mini" });
    const response = await model.invoke(messages);
    return {"answer": response.content};
  }
  ```
</CodeGroup>

## 示例：非 LLM 组件

<CodeGroup>
  ```python Python theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
  from langsmith import traceable

  # 可选地使用 '@traceable' 装饰此函数，以追踪该函数的所有调用。
  @traceable
  def calculator_tool(operation: str, number1: float, number2: float) -> str:
    if operation == "add":
        return str(number1 + number2)
    elif operation == "subtract":
        return str(number1 - number2)
    elif operation == "multiply":
        return str(number1 * number2)
    elif operation == "divide":
        return str(number1 / number2)
    else:
        raise ValueError(f"Unrecognized operation: {operation}.")

  # 这是您将要评估的函数。
  def target(inputs: dict) -> dict:
    # 这假设您的数据集输入包含 `operation`、`num1` 和 `num2` 键。
    operation = inputs["operation"]
    number1 = inputs["num1"]
    number2 = inputs["num2"]
    result = calculator_tool(operation, number1, number2)
    return {"result": result}
  ```

  ```typescript TypeScript theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
  import { traceable } from "langsmith/traceable";

  // 可选地使用 'traceable' 包装此函数，以追踪该函数的所有调用。
  const calculatorTool = traceable(async ({ operation, number1, number2 }) => {
  // 函数必须返回字符串
  if (operation === "add") {
    return (number1 + number2).toString();
  } else if (operation === "subtract") {
    return (number1 - number2).toString();
  } else if (operation === "multiply") {
    return (number1 * number2).toString();
  } else if (operation === "divide") {
    return (number1 / number2).toString();
  } else {
    throw new Error("Invalid operation.");
  }
  });

  // 这是您将要评估的函数。
  const target = async (inputs) => {
  // 这假设您的数据集输入包含 `operation`、`num1` 和 `num2` 键
  const result = await calculatorTool.invoke({
    operation: inputs.operation,
    number1: inputs.num1,
    number2: inputs.num2,
  });
  return { result };
  }
  ```
</CodeGroup>

## 示例：应用程序或智能体

<CodeGroup>
  ```python Python theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
  from my_agent import agent

        # 这是您将要评估的函数。
  def target(inputs: dict) -> dict:
    # 这假设您的数据集输入包含一个 `messages` 键
    messages = inputs["messages"]
    # 将 `invoke` 替换为您调用智能体所用的方法
    response = agent.invoke({"messages": messages})
    # 这假设您的智能体输出格式正确
    return response
  ```

  ```typescript TypeScript theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
  import { agent } from 'my_agent';

  // 这是您将要评估的函数。
  const target = async(inputs) => {
  // 这假设您的数据集输入包含一个 `messages` 键
  const messages = inputs.messages;
  // 将 `invoke` 替换为您调用智能体所用的方法
  const response = await agent.invoke({ messages });
  // 这假设您的智能体输出格式正确
  return response;
  }
  ```
</CodeGroup>

<Check>
  如果您有一个 LangGraph/LangChain 智能体，它接受数据集中定义的输入，并返回您希望在评估器中使用的输出格式，您可以直接将该对象作为目标传入：

  ```python theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
  from my_agent import agent
  from langsmith import Client
  client = Client()
  client.evaluate(agent, ...)
  ```
</Check>

***

<div className="source-links">
  <Callout icon="edit">
    [Edit this page on GitHub](https://github.com/langchain-ai/docs/edit/main/src/i18n\zh-CN\langsmith\define-target-function.mdx) or [file an issue](https://github.com/langchain-ai/docs/issues/new/choose).
  </Callout>

  <Callout icon="terminal-2">
    [Connect these docs](/use-these-docs) to Claude, VSCode, and more via MCP for real-time answers.
  </Callout>
</div>