載入中
在建構提示評估工作流程時,評分系統能提供關於輸出品質的客觀訊號。評分器會接收模型輸出,並回傳某種可衡量的回饋——通常是介於 1 到 10 之間的數字,10 代表高品質,1 代表品質不佳。
評分器的類型

評分模型輸出主要有三種方法:
- 程式碼評分器 - 使用自訂程式碼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 - 由人員手動檢閱並評分輸出
程式碼評分器
程式碼評分器讓您可以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
- 驗證輸出是否包含或不包含特定詞語
- JSON、Python 或正規表達式(regex)的語法驗證
- 可讀性分數,以確保合適的閱讀難度
模型評分器
模型評分器透過額外的 API 呼叫來評估輸出,提供極大的靈活性。它們適用於評估:
- 回應品質
- 指令遵循的品質
- 完整性
- 有幫助性
- 安全性
人工評分器
人工評分器提供最大的靈活性,但也伴隨著顯著的缺點。雖然人類可以針對任何可想像的標準來評估回應,但這個過程既耗時又繁瑣。
定義評估標準

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 - 應只回傳 Python、JSON 或正規表達式,不附帶解釋
- 有效語法 - 產生的程式碼應具有有效的語法
- 任務遵循 - 回應應直接針對使用者的任務,並提供準確的程式碼

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交由其處理。
實作模型評分器
模型評分器通常是最容易實作的。以下是一個基本結構:
python
def grade_by_model(test_case, output):
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)
評分提示應該要全面,並包含:
- 評分器的明確角色定義
- 原始任務
- 要評估的 AI 生成解決方案
- 具體的輸出格式要求
不要只要求分數。請連同數值分數一起,要求提供優點、缺點與推理過程。這可以防止模型預設給出像 6 分這樣中庸的分數,並促使其進行更深思熟慮的評估。
將評分器整合進您的工作流程
一旦您有了評分器函式,請將其整合進您的測試案例執行器中:
python
def run_test_case(test_case):
output = run_prompt(test_case)
# 呼叫模型評分器
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
}在執行完所有測試案例後,計算平均分數,以取得您的提示效能的客觀指標:
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這會給您一個具體的數字,讓您專注於改善。雖然模型評分器可能有些反覆無常,且或許能從更好的引導中受益,但它們為客觀評估提供了一個起點,您可以在此基礎上反覆迭代與改進。