智能体
基于LLM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。智能体通过规划（例如，通常通过提示）和记忆（例如，通常是短期消息历史）来使用工具调用生成响应。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。
助手节点是一个LLM，它根据输入决定是否调用工具。工具条件检查助手节点是否选择了工具，如果是，则路由到工具节点。工具节点执行工具并将输出作为工具消息返回给助手节点。只要助手节点选择工具，这个循环就会继续。如果没有选择工具，则智能体直接返回LLM的响应。
最终响应：评估智能体的最终响应。单步评估：独立评估智能体的任何步骤（例如，它是否选择了适当的工具）。轨迹评估：评估智能体是否采取了预期的路径（例如，工具调用序列）来得出最终答案。
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。这基本上是将智能体视为黑盒，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，工具作为智能体的一部分是硬编码的，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。许多智能体执行一系列相对复杂的步骤，并输出最终的文本响应。与RAG类似，在这些情况下，LLM作为评判者的评估器通常是有效的，因为它们可以直接从文本响应中评估智能体是否完成了工作。 然而，这种评估方式有几个缺点。首先，它通常需要较长时间运行。其次，您没有评估智能体内部发生的任何事情，因此在发生故障时很难调试。第三，有时很难定义合适的评估指标。评估智能体的单一步骤
智能体通常执行多个动作。虽然对它们进行端到端评估很有用，但评估这些单独的动作也很有用。这通常涉及评估智能体的单个步骤——即决定下一步做什么的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动作。 此步骤的评估器通常是一些二元分数，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一个字符串。 这种评估方式有几个好处。它允许您评估单个动作，从而可以精确定位应用程序可能失败的地方。它们的运行速度也相对较快（因为它们只涉及一次LLM调用），并且评估通常使用简单的启发式评估，将所选工具与参考工具进行比较。一个缺点是它们不能捕捉完整的智能体——只能捕捉特定的步骤。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，包括许多先前的智能体动作和响应）。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。 输入再次是智能体的整体输入（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）或仅仅是预期的一组工具调用（以任何顺序）。 这里的评估器是对所采取步骤的某种函数。评估“精确”轨迹可以使用一个二元分数来确认序列中每个工具名称的完全匹配。这很简单，但有一些缺陷。有时可能存在多个正确的路径。这种评估也不能捕捉轨迹仅差一步与完全错误之间的区别。 为了解决这些缺陷，评估指标可以侧重于“错误”步骤的数量，这能更好地解释接近正确的轨迹与显著偏离的轨迹之间的差异。评估指标也可以侧重于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；它们只关注选择的工具。为了解决这个问题，另一种评估技术是将智能体的完整轨迹（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作为评判者。这可以评估智能体的完整行为，但这是最具挑战性的参考数据来编译（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些难以确定。检索增强生成 (RAG)
检索增强生成 (RAG) 是一种强大的技术，它涉及根据用户的输入检索相关文档，并将其传递给语言模型进行处理。RAG使AI应用能够通过利用外部知识生成更具信息量和上下文感知的响应。有关RAG概念的全面回顾，请参阅我们的
从零开始学习RAG系列。数据集
在评估RAG应用时，一个关键的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本事实。然而，即使没有参考答案，仍然可以使用无参考的RAG评估提示（如下所示）进行各种评估。评估器
LLM作为评判者是RAG常用的评估器，因为它是评估文本之间事实准确性或一致性的有效方法。
- 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。
- 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（上图中以橙色、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：-
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，其中参考是基本事实（正确）答案。 -
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应用的性能。 -
成对比较评估：利用成对比较评估来比较不同RAG链产生的答案。这种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，后者可以使用自一致性或基本事实参考来评估。
RAG评估总结
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检查写作（摘要）。开发者整理的示例文本用于摘要评估很常见（参见摘要数据集示例）。然而，来自生产（摘要）应用的用户日志可以与下面任何无参考评估提示一起用于在线评估。
LLM作为评判者通常用于摘要（以及其他类型的写作）评估，使用无参考提示，这些提示遵循提供的标准来评分摘要。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，存在许多可能的正确答案。
由于使用了无参考提示，在线或离线评估都是可行的。成对比较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：
分类与标注
分类与标注为给定输入应用标签（例如，用于毒性检测、情感分析等）。分类/标注评估通常采用以下组件，我们将在下面详细回顾： 分类/标注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，该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，如果提供了基本事实类别标签，则评估目标侧重于根据基本事实类别标签对分类/标注链进行评分（例如，使用精确率、召回率等指标）。
如果提供了基本事实参考标签，那么通常只需定义一个自定义启发式评估器来比较基本事实标签与链输出。然而，随着LLM的出现，越来越常见的做法是直接使用LLM作为评判者，根据指定的标准对输入进行分类/标注（无需基本事实参考）。
当使用LLM作为评判者和无参考提示时，在线或离线评估是可行的。特别是，当用户想要标记/分类应用输入（例如，用于毒性检测等）时，这非常适合在线评估。
| 用例 | 详情 | 需要参考输出 | 使用LLM作为评判者？ | 与成对比较相关 |
|---|---|---|---|---|
| 准确率 | 标准定义 | 是 | 否 | 否 |
| 精确率 | 标准定义 | 是 | 否 | 否 |
| 召回率 | 标准定义 | 是 | 否 | 否 |
Connect these docs to Claude, VSCode, and more via MCP for real-time answers.