---
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 |

## 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