评估器

评估器是应用评测的核心组件，用于自动评估应用输出质量。Evolution 提供丰富的预置评估器模板，同时支持自定义 LLM 评估器和 Code 评估器，帮助您构建适合业务场景的评测体系。

​

基于预置评估器模板创建

Evolution 提供多个预置评估器模板，覆盖多种评测场景。预置评估器支持按以下维度筛选，筛选条件可多选，同维度内取并集、不同维度之间取交集：

• 类型：LLM、Code。
• 评估对象：文本、Agent、轨迹、多模态（多模态评估器暂未上线）。
• 标签：通用质量、任务执行、文本匹配、文本相似度、格式校验。

配置步骤

1. 点击评估器页面右上角的创建评估器按钮，可选择基于预置评估器模板创建评估器。
2. 点击指定模板卡片上的基于预置创建快速创建评估器，可根据需求调整信息。
3. 然后在试运行验证区域点击开始运行，确保评估逻辑符合预期，点击创建即可保存。
4. 点击查看详情，可查看当前评估器模板的参数信息。

​

轨迹评估器

轨迹评估器以轨迹数据为评估对象，评估 Agent 执行过程的可靠性。预置轨迹评估器如下：

​

自定义创建评估器

点击评估器页面右上角的创建评估器按钮，然后点击自定义创建评估器进入创建页面。

​

创建 LLM 评估器

LLM 评估器使用大模型对应用输出进行评分，适用于需要语义理解的评测场景。 配置步骤

1. 进入自定义创建评估器页面，填写基本信息：
   • 评估器名称：限制 50 字符。
   • 描述：限制 200 字符，用于说明评估器用途。
2. 创建方式选择 LLM。
3. 选择模型：点击选择模型下拉框，选择用于评估的大模型，评估模型限时免费。
4. Prompt：在 Prompt 编辑框中设计评估规则，可点击选择预置评估器导入规则。
5. 配置评分规则：
   • 评分范围：决定评估器的打分尺度。评分范围会作为提示词加入系统提示词中，在编辑系统提示词时，需保持评分范围和系统提示词规则一致。
   • 通过阈值：决定评测结果的 Pass / Fail 状态。评分 ≥ 阈值为 Pass，< 阈值为 Fail。
   配置建议：

   • 精细评估：使用较大的评分范围（如 0-100），可以更细致地区分质量差异。
   • 快速分类：使用较小的评分范围（如 0-1 或 1-5），便于快速判断合格 / 不合格。
   • 阈值设置：通常设置为评分范围的中间值。
6. 试运行验证：为每个被引用参数填写测试值进行验证，点击开始运行，确保评估逻辑符合预期，点击创建即可保存。

​

创建 Code 评估器

Code 评估器使用 Python 脚本实现评估逻辑，适用于需要精确规则判断的评测场景。 配置步骤

1. 进入自定义创建评估器页面，填写基本信息：
   • 评估器名称：限制 50 字符。
   • 描述：限制 200 字符，用于说明评估器用途。
2. 创建方式选择 Code。
3. 入参设置：
   • 默认参数：系统预置 query 和 response 两个参数，可根据需要修改或删除。
   • 添加参数：可点击添加变量按钮，定义函数输入参数。
4. 执行函数：在代码编辑器中编写 Python 3.10 函数。
   代码要求：

   • 函数签名必须包含入参设置中定义的所有参数。
   • 函数必须返回评分结果（数值类型，在评分范围内）。
   • 建议包含错误处理逻辑。
5. 评分范围：决定评估器的打分尺度。评分范围会作为提示词加入系统提示词中，在编辑系统提示词时，需保持评分范围和系统提示词规则一致。
6. 通过阈值：决定评测结果的 Pass / Fail 状态。评分 ≥ 阈值为 Pass，< 阈值为 Fail。
   配置建议：

   • 精细评估：使用较大的评分范围（如 0-100），可以更细致地区分质量差异。
   • 快速分类：使用较小的评分范围（如 0-1 或 1-5），便于快速判断合格 / 不合格。
   • 阈值设置：通常设置为评分范围的中间值。
7. 试运行验证：输入测试数据，数据格式需包含所有入参，点击开始运行，查看评分结果或错误信息，点击创建即可保存评估器内容。 测试数据示例：
   Copy

   {
     "query": "什么是人工智能？",
     "response": "人工智能（AI）是计算机科学的一个分支，致力于创建能够执行通常需要人类智能的任务的系统。"
   }
   

​

基于评测任务创建评估器

基于评测任务创建评估器，是通过历史评测任务的标注结果，自动抽象并总结为新的 LLM 评估器。该方式适用于已有人工标注数据，希望将标注经验固化为自动化评估规则的场景。 配置步骤

1. 进入自定义创建评估器页面，填写基本信息：
   • 评估器名称：限制 50 字符。
   • 描述：限制 200 字符，用于说明评估器用途。
2. 创建方式选择 基于评测任务。
3. 选择模型：点击选择模型下拉框，选择用于评估的大模型，评估模型限时免费。
4. 选择评测任务：从下拉列表中选择已完成标注的历史评测任务。系统将基于该任务的标注结果学习评估规则。
5. 配置字段映射：从下拉列表中选择评测集字段或应用输出的字段。系统预置参数：
   • query（String）：用户输入的问题或查询，需映射到评测集中的问题字段（例如：Prompt 字段）。
   • response（String）：待评估的应用输出或评测集字段（例如：Completion 字段）。
   • label_score（Number）：人工标注的分数，映射到评测任务中使用的评估器输出分数。
   • query 映射到评测集的数据字段。
   • label_score 映射到评测任务中的评估器（显示为「评估器名称_版本号 自动」）。
   • 只有已完成评估的评测任务才能用于创建评估器，未完成的评测任务会提示「评测任务中的该评估器状态未完成」。
6. 任务描述（可选）：填写评估任务的完整背景信息，包括：
   • 系统用途（如「医学问答系统」）。
   • 目标用户群体。
   • 使用场景（如「面向医疗专业人员，提供快速准确的临床问答」）。
   • 该描述将用于自动生成评估标准和最终的评估 Prompt。
7. 评估器语言：选择评估器的输出语言，支持中文或英文。
8. 配置评分规则：
   • 评分范围：决定评估器的打分尺度。
   • 通过阈值：决定评测结果的 Pass / Fail 状态。评分 ≥ 阈值为 Pass，< 阈值为 Fail。
9. 完成配置后点击右上角创建按钮保存评估器。

​

管理评估器

在自定义评估器列表页面，可按类型或名称筛选评估器，也可对指定评估器进行管理。

• 筛选和搜索：可按 LLM、Code 类型筛选评估器，也可在搜索框输入评估器名称（支持模糊匹配），限制 50 字符。
• 编辑：编辑页面会显示历史版本列表，选中指定版本后点击覆盖当前草稿可切换查看不同版本的配置。
• 复制：基于当前最新版本创建副本，自动带入所有配置。
• 删除：评估器删除后无法恢复，请谨慎操作。如果评估器被评测任务使用，将无法删除。因此删除评估器前，需确认没有评测任务依赖该评估器。

​

在评测任务中使用评估器

评估器创建后，需要在评测任务中添加并配置参数映射，才能真正发挥作用。

1. 在创建评测任务时，点击添加评估器，选择需要使用的评估器及其版本号。
   每个评测任务最多支持添加 10 个评估器。
   选择评估器类型为自定义评估器或预置评估器，然后在字段映射区域将 query、context、reference_response 等字段映射到评测集对应字段，配置完成后单击完成创建。
2. 选择评估器后，需要完成参数映射，告诉系统「评估器的参数从哪里获取数据」。 假设创建了一个 LLM 评估器，Prompt 中引用了 3 个变量：
   • query：用户问题。
   • reference：参考答案。
   • response：待评估回答。
   映射配置：

   评估器参数	映射到	说明
   query	评测集字段：question	从评测集的 question 字段获取用户问题
   reference	评测集字段：标准答案	从评测集的「标准答案」字段获取参考答案
   response	模型输出或评测集字段	从应用的实际输出或评测集的字段获取待评估内容

   • 所有变量都必须完成映射后，才能继续创建评测任务。
   • 映射错误会导致评估器无法正常工作，请仔细核对字段名称。

​

查看评估结果

评测任务完成后，在任务详情页查看评估器结果。详情请查阅评测任务。 评测任务列表包含评测状态、任务名称、评测集名称、应用及评分（通过率）、评估器详情 自动、标签详情 人工、Token 消耗、评测时间和操作列。评估器详情 自动列展示各自动评估器的运行状态（进行中或完成）及通过率。操作列提供详情、终止和删除链接。

​

常见问题