Files
my-vault/01_Projects/Personal-Tech/LLM_Evaluation/04-Reference/README.md
T

75 lines
2.6 KiB
Markdown
Raw Normal View History

---
type: moc
tags:
- llm-evaluation
- learning-zone
- moc
status: active
created: 2026-08-21
---
# 04-Reference · LLM Evaluation 资源地图
本目录不是"收藏夹",而是**评测工程能力地图**。
每个资源都对应明确的能力点,并标明「为什么看、什么时候看、重点看什么」。
## 五层能力框架
```text
1. Evaluation Methodology
2. Benchmark & Reproducibility
3. System / Agent Evaluation
4. Continuous Evaluation / CI
5. Safety / Sandbox / Environment
```
对应到本仓库:
```text
00-Foundations ← 方法论基础
01-Getting-Started ← 为什么做评测
02-Practical-Roadmap ← 工程路线
03-Practice ← 自己动手的 Lab
04-Reference ← 本目录(深度参考)
```
## 推荐学习顺序(只精读 4 个)
1. **AWS Generative AI Evaluations Workshop**
→ 先看实际 Eval 长什么样(RAG / Tool Calling / Multi-Agent / Red Teaming
2. **EleutherAI lm-evaluation-harness**
→ 理解标准化 Task、Prompt 固定、Metric 配置、去污染机制
3. **Inspect AI + AISI Engineering Playbook**
→ 现代 Evaluation Framework 的抽象(Task / Solver / Scorer / Sandbox / Trace
4. **Ai2 OLMES / olmo-eval**
→ 如何把 Evaluation Protocol 真正冻结,实现可复现比较
后续按需:
- CircleCI + RAGAS → Continuous Evaluation
- BenchFlow → Environment-based Agent Evaluation
## 文件索引
| 文件 | 对应能力 | 核心资源 |
|------|----------|----------|
| [[01-Evaluation-Infrastructure\|01-Evaluation-Infrastructure]] | Harness / Sandbox / Scaling | Inspect AI, AISI Playbook, AWS Workshop |
| [[02-Benchmark-and-Reproducibility\|02-Benchmark-and-Reproducibility]] | 标准化 / 去污染 / 可复现 | lm-evaluation-harness, OLMES |
| [[03-Continuous-Evaluation\|03-Continuous-Evaluation]] | CI Gate / Experiment Tracking | RAGAS + CircleCI, W&B |
| [[04-Agent-Safety-and-Environments\|04-Agent-Safety-and-Environments]] | Tool Use / Sandbox / Trajectory | Inspect Sandbox, BenchFlow |
| [[05-Source-Reading-Checklist\|05-Source-Reading-Checklist]] | 统一阅读方法论 | 固定的 8 个问题 |
| [[04-Reference/evaluation-guidebook/00-Overview\|evaluation-guidebook]] | 方法论补充 | Hugging Face 官方 Guidebook |
| [[04-Reference/archive/00-Material-List\|archive/]] | 早期草案与外部资源归档 | 索引见 00-Material-List |
## 原则
- 优先官方 docs、源码、Design Doc
- 二手博客 / 课程宣传只做导航,不作为主线
- 每读一个框架,强制用 [[05-Source-Reading-Checklist\|05-Source-Reading-Checklist]] 的 8 个问题对照