评估¶

要评估您的代理性能，您可以使用 LangSmith 评估。您首先需要定义一个评估器函数来判断代理的结果，例如最终输出或轨迹。根据您的评估技术，这可能涉及也可能不涉及参考输出。

const evaluator = async (params: {
  inputs: Record<string, unknown>;
  outputs: Record<string, unknown>;
  referenceOutputs?: Record<string, unknown>;
}) => {
  // compare agent outputs against reference outputs
  const outputMessages = params.outputs.messages;
  const referenceMessages = params.referenceOutputs.messages;
  const score = compareMessages(outputMessages, referenceMessages);
  return { key: "evaluator_score", score: score };
};

要开始使用，您可以使用 AgentEvals 包中预置的评估器。

npm install agentevals @langchain/core

创建评估器¶

评估代理性能的一种常用方法是将其轨迹（调用工具的顺序）与参考轨迹进行比较。

import { createTrajectoryMatchEvaluator } from "agentevals";

const outputs = [
  {
    role: "assistant",
    tool_calls: [
      {
        function: {
          name: "get_weather",
          arguments: JSON.stringify({ city: "san francisco" }),
        },
      },
      {
        function: {
          name: "get_directions",
          arguments: JSON.stringify({ destination: "presidio" }),
        },
      },
    ],
  },
];

const referenceOutputs = [
  {
    role: "assistant",
    tool_calls: [
      {
        function: {
          name: "get_weather",
          arguments: JSON.stringify({ city: "san francisco" }),
        },
      },
    ],
  },
];

// Create the evaluator
const evaluator = createTrajectoryMatchEvaluator({
  trajectoryMatchMode: "superset",  // (1)!
})

// Run the evaluator
const result = await evaluator({
  outputs,
  referenceOutputs,
});

指定轨迹将如何进行比较。superset 将把输出轨迹视为有效，如果它是参考轨迹的超集。其他选项包括：严格匹配 (strict)、无序匹配 (unordered) 和子集匹配 (subset)。

下一步，了解更多关于如何自定义轨迹匹配评估器的信息。

LLM 作为评判者¶

您可以使用 LLM 作为评判者评估器，该评估器使用 LLM 将轨迹与参考输出进行比较并输出分数。

import {
  createTrajectoryLLMAsJudge,
  TRAJECTORY_ACCURACY_PROMPT_WITH_REFERENCE
} from "agentevals";

const evaluator = createTrajectoryLLMAsJudge({
  prompt: TRAJECTORY_ACCURACY_PROMPT_WITH_REFERENCE,
  model: "openai:o3-mini",
});

运行评估器¶

要运行评估器，您首先需要创建一个 LangSmith 数据集。要使用预置的 AgentEvals 评估器，您需要一个具有以下模式的数据集：

input: { messages: [...] } 用于调用代理的输入消息。
output: { messages": [...] } 代理输出中预期的消息历史。对于轨迹评估，您可以选择只保留助手消息。

import { evaluate } from "langsmith/evaluation";
import { createTrajectoryMatchEvaluator } from "agentevals";
import { createReactAgent } from "@langchain/langgraph/prebuilt";

const agent = createReactAgent({ ... })
const evaluator = createTrajectoryMatchEvaluator({ ... })
await evaluate(
  async (inputs) => await agent.invoke(inputs),
  {
    // replace with your dataset name
    data: "<Name of your dataset>",
    evaluators: [evaluator],
  }
);