載入中
載入中

在建構提示評估工作流程時,評分器(grader)提供關於輸出品質的客觀訊號。評分器接收模型輸出,並回傳某種可測量的回饋——通常是介於 1 到 10 之間的數字,其中 10 代表高品質,1 代表品質不佳。

評分器的類型

程式碼、模型與人工評分器,每種用途列於下方;模型與人工評分器也可以用來比較兩個版本。

評估模型輸出主要有三種方法:

  • 程式碼評分器 - 使用自訂邏輯以程式化方式評估輸出
  • 模型評分器 - 使用另一個 AI 模型來評估品質
  • 人工評分器 - 由人員手動審查並評分輸出

程式碼評分器

程式碼評分器讓您能夠實作任何您能想到的程式化檢查。常見用途包括:

  • 檢查輸出長度
  • 驗證輸出是否包含/不包含特定詞語
  • JSON、Python 或 regex 的語法驗證
  • 可讀性評分

唯一的要求是,您的程式碼在執行時需要回傳某種可測量的訊號。

模型評分器

模型評分器會發出額外的 API 請求,以評估原始輸出。這種方法在評估以下項目時提供了極大的彈性:

  • 回應品質
  • 指令遵循的品質
  • 完整性
  • 幫助程度
  • 安全性

人工評分器

人工評分器提供最大的彈性,但費時且繁瑣。它們適用於評估:

  • 整體回應品質
  • 全面性
  • 深度
  • 簡潔性
  • 相關性

定義評估標準

我們如何得知提示是否產生了良好輸出的問題,以及下方列出的三項標準。

在實作任何評分器之前,您需要明確的評估標準。以程式碼生成提示為例,您可能會專注於:

  • 格式 - 應僅回傳 Python、JSON 或 Regex,不附帶說明
  • 有效語法 - 產生的程式碼應具有有效語法
  • 任務遵循 - 回應應直接以準確的程式碼解決使用者的任務

格式與有效語法歸類於程式碼評分器之下,任務遵循則歸類於模型評分器之下,如下所述。

前兩項標準適合用程式碼評分器處理,而任務遵循則因模型評分器的靈活性而更適合由其處理。

實作模型評分器

以下是建構模型評分器函式的方法:

python
def grade_by_model(test_case, output):
    # 建立評估提示
    eval_prompt = f"""
    You are an expert code reviewer. Evaluate this AI-generated solution.
    
    Task: {test_case["task"]}
    Solution: {output}
    
    Provide your evaluation as a structured JSON object with:
    - "strengths": An array of 1-3 key strengths
    - "weaknesses": An array of 1-3 key areas for improvement  
    - "reasoning": A concise explanation of your assessment
    - "score": A number between 1-10
    """
    
    messages = []
    add_user_message(messages, eval_prompt)
    add_assistant_message(messages, "```json")

    eval_text = chat(messages, stop_sequences=["```"])
    return json.loads(eval_text)

關鍵洞見在於,除了分數之外,也要求提供優點、缺點與推理過程。若缺少這些脈絡,模型往往會傾向於給出約為 6 分的中庸分數。

整合評分器

更新您的測試案例函式以使用模型評分器:

python
def run_test_case(test_case):
    output = run_prompt(test_case)

    # 取得模型評估
    model_grade = grade_by_model(test_case, output)
    score = model_grade["score"]
    reasoning = model_grade["reasoning"]

    return {
        "output": output,
        "test_case": test_case,
        "score": score,
        "reasoning": reasoning
    }

計算平均分數

若要取得整體效能指標,請計算所有測試案例的平均分數:

python
from statistics import mean

def run_eval(dataset):
    results = []

    for test_case in dataset:
        result = run_test_case(test_case)
        results.append(result)

    average_score = mean([result["score"] for result in results])
    print(f"Average score: {average_score}")

    return results

這能為您提供一個具體、客觀的指標,以追蹤提示效能隨時間的變化。雖然模型評分器可能會有些不一致,但它們提供了一個起點,讓您能系統性地衡量並改進您的提示。