如何在界面中筛选实验

背景：为实验添加元数据
在界面中筛选实验

LangSmith 允许您根据反馈分数和元数据筛选过往实验，从而轻松找到您关心的实验。

背景：为实验添加元数据

在 SDK 中运行实验时，您可以附加元数据，以便在界面中更轻松地进行筛选。如果您在运行实验时已明确想要深入分析的维度，这会非常有用。在我们的示例中，我们将围绕使用的模型、模型提供商以及已知的提示 ID 为实验附加元数据：

models = {
    "openai-gpt-4.1": ChatOpenAI(model="gpt-4.1", temperature=0),
    "openai-gpt-4.1-mini": ChatOpenAI(model="gpt-4.1-mini", temperature=0),
    "anthropic-claude-3-sonnet-20240229": ChatAnthropic(temperature=0, model_name="claude-3-sonnet-20240229")
}

prompts = {
    "singleminded": "始终用单词 banana 回答问题。",
    "fruitminded": "始终在回答中讨论水果。",
    "basic": "你是一个聊天机器人。"
}

def answer_evaluator(run, example) -> dict:
    llm = ChatOpenAI(model="gpt-4.1", temperature=0)
    answer_grader = hub.pull("langchain-ai/rag-answer-vs-reference") | llm
    score = answer_grader.invoke(
        {
            "question": example.inputs["question"],
            "correct_answer": example.outputs["answer"],
            "student_answer": run.outputs,
        }
    )
    return {"key": "correctness", "score": score["Score"]}

dataset_name = "可筛选数据集"

for model_type, model in models.items():
    for prompt_type, prompt in prompts.items():
        def predict(example):
            return model.invoke(
                [("system", prompt), ("user", example["question"])]
            )

        model_provider = model_type.split("-")[0]
        model_name = model_type[len(model_provider) + 1:]

        evaluate(
            predict,
            data=dataset_name,
            evaluators=[answer_evaluator],
            # 在此处添加元数据！！
            metadata={
                "model_provider": model_provider,
                "model_name": model_name,
                "prompt_id": prompt_type
            }
        )