---
type: guide
tags:
  - llm-evaluation
  - foundations
status: active
created: 2026-08-21
---

# 什么是 LLM Evaluation

## 一句话定义

**LLM Evaluation（大语言模型评测）**，是用一组明确的任务、测试数据和评分逻辑，系统地判断模型或 AI 系统是否满足预期行为。

最小结构可以写成：

```text
Task / Case
    ↓
System under test
    ↓
Output / Trace / Outcome
    ↓
Grader
    ↓
Result
```

OpenAI 的 eval 工作流以任务、测试数据和 grader 为核心；Anthropic 对 Agent eval 的定义也采用同样思路：给系统一个任务，再用 grading logic 判断成功与否。[1][2]

## 评测的对象不只有“模型”

这是最重要的概念边界之一。

### Model Evaluation

关注模型本身的能力或行为，例如：

- 是否遵从指令
- 是否正确回答事实问题
- 是否生成合法 JSON
- 是否完成代码任务
- 是否拒绝危险请求

典型形式：

```text
Prompt → Model → Response → Grader
```

### Application / System Evaluation

真实产品通常不只有模型：

```text
User
  ↓
Router / Prompt
  ↓
Retriever / Context
  ↓
Model
  ↓
Tool
  ↓
State Change
  ↓
Final Response
```

因此系统失败可能来自：

- 检索错误
- Prompt / 路由错误
- 模型推理错误
- 工具选择错误
- 参数错误
- 权限错误
- 工具执行错误
- 后处理错误
- Grader 错误

所以成熟的 Evaluation 关注的是**整个系统是否完成目标**，而不是简单问“模型强不强”。

## RAG Evaluation 是什么

RAG（Retrieval-Augmented Generation）评测通常至少拆成两个层面：

### Retrieval Quality

检索阶段是否拿到正确证据：

- relevant documents 是否被取回
- 无关内容是否过多
- 是否漏掉关键片段
- 文档版本是否正确

### Answer Quality

生成阶段是否正确利用证据：

- 回答是否 grounded
- 是否存在文档外无依据事实
- 引用是否正确
- 信息不足时是否说明不确定
- 是否覆盖关键约束

因此：

```text
RAG failure ≠ 一定是模型 failure
```

如果 gold context 根本没有被取回，首先应该定位 Retrieval。

## Agent Evaluation 是什么

Agent 的评测对象更加复杂，因为它会跨多轮调用工具并改变环境状态。

Anthropic 将 Agent eval 中几个关键对象定义为：

- **Task**：一个测试问题与成功条件
- **Trial**：同一 task 的一次尝试
- **Grader**：评分逻辑
- **Transcript / Trace**：完整执行轨迹
- **Outcome**：执行结束后的真实环境状态
- **Evaluation Harness**：运行、记录、评分和汇总 eval 的基础设施[2]

例如 Agent 最后说：

> “会议已经取消。”

这句话本身不是成功证据。

真正的 Outcome 是：

```text
Calendar 中该 event 是否真的不存在
```

所以 Agent Evaluation 的关键原则是：

> **评价真实结果，不只评价最终文本。**

## Offline Eval 与 Online Evaluation

### Offline Eval

在固定测试集上重复运行：

```text
Frozen Dataset
      ↓
System Version A / B
      ↓
Compare
```

主要用于：

- 开发阶段比较方案
- 模型升级验证
- Prompt 修改回归
- Release Gate

### Online Signals

来自真实使用环境：

- 用户反馈
- 失败日志
- 人工升级
- A/B test
- 生产监控
- 用户重新提问或纠正

在线信号的重要作用之一，是不断发现新的 regression case：

```text
Production Failure
      ↓
Root Cause
      ↓
New Eval Case
      ↓
Regression Suite
```

因此 Evaluation 不是一次考试，而是一套持续演化的质量系统。

## Evaluation 与 Benchmark 的区别

二者相关，但目的不同。

### Benchmark

通常强调：

- 对外可比较
- 固定任务集
- 横向比较不同模型
- 通用能力指标

例如数学、代码、知识类 benchmark。

### Product Eval

强调：

- 当前产品的真实成功标准
- 真实用户路径
- 风险和边界案例
- 历史 regression
- 可直接指导产品修改

一个模型在公开 benchmark 上更高，不意味着它一定更适合你的产品。

## 程序员应该如何理解 Evaluation

最实用的映射是一条测试链：

```text
Requirement → Acceptance Criteria → Eval Case → Assertion / Rubric → Run → Failure → Root Cause → Regression
```

（完整版"最重要的概念关系"图见 [[03-Core-Concept-Map]] 第 10 节。）

因此 LLM Evaluation 的核心不是“评分技术”，而是：

1. 定义正确；
2. 暴露失败；
3. 区分根因；
4. 验证修改；
5. 防止回归。

## 参考资料

[1] OpenAI, Working with evals  
https://developers.openai.com/api/docs/guides/evals

[2] Anthropic, Demystifying evals for AI agents  
https://www.anthropic.com/engineering/demystifying-evals-for-ai-agents