windyboy
0dac58fb6f
- fix stage-numbering conflict (README vs 05-Progress) and unify stage-1 reading scope - resolve AWS workshop prerequisite contradiction in 04-Reference/01 - convert medium-path wikilinks to vault-root paths (~30 links), fix .pyy typos, annotate ragas fork, unify archive status, add 01-/02- README hubs - compress old-version guidebook notes (01, 05) into pointers; add 2026 reading guidance to 00-Overview - dedupe project templates and remove embedded template copy in 03-Practice/README
89 lines
4.3 KiB
Markdown
89 lines
4.3 KiB
Markdown
---
|
||
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」。
|
||
|
||
## 本目录包含三类内容
|
||
|
||
| 类别 | 位置 | 定位 | 什么时候读 |
|
||
|---|---|---|---|
|
||
| 能力地图 | `01-`~`05-` 五篇 | 个人评测工程能力地图（Harness / 可复现 / 持续评测 / Agent 安全 / 阅读方法） | 按各自"前置阶段"插入项目推进过程 |
|
||
| 外部知识 | `evaluation-guidebook/` | HuggingFace Guidebook 中文提炼（9 篇） | 设计或执行评测时按主题查阅 |
|
||
| 归档 | `archive/` | 早期草案与外部资源清单 | 需要背景时查阅，不作为学习主线 |
|
||
|
||
> ⚠️ **本目录是分阶段查阅的工具书，不是要读完的教材。** 在完成学习看板 Level 1 与第一个项目之前，不要系统阅读本目录（见 [[01_Projects/Personal-Tech/LLM_Evaluation/README|专区首页]] 的停止线）。
|
||
|
||
## 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
|
||
```
|
||
|
||
> 注：五层能力是**能力分层**，与下方五个文件（01–05）不是一一对应——第 3 层（System / Agent Evaluation）的内容分散在 01 与 04 两篇；`05-Source-Reading-Checklist` 是阅读方法，不属于能力层。"只精读 4 个"指 4 个 S 级资源（AWS / lm-eval / Inspect / OLMES），不是 4 个文件。
|
||
|
||
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）
|
||
|
||
> 本清单属于阶段 4（按需回补）的深度精读计划；在完成看板 Level 1 与第一个项目之前，不需要开始（见 [[01_Projects/Personal-Tech/LLM_Evaluation/README|专区首页]] 停止线）。
|
||
|
||
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（含前置阶段）
|
||
|
||
| 文件 | 对应能力 | 核心资源 | 前置阶段 |
|
||
|------|----------|----------|----------|
|
||
| [[01-Evaluation-Infrastructure\|01-Evaluation-Infrastructure]] | Harness / Sandbox / Scaling | Inspect AI, AISI Playbook, AWS Workshop | 完成第一个小项目以后 |
|
||
| [[02-Benchmark-and-Reproducibility\|02-Benchmark-and-Reproducibility]] | 标准化 / 去污染 / 可复现 | lm-evaluation-harness, OLMES | 完成 Foundations + Why Guide 后 |
|
||
| [[03-Continuous-Evaluation\|03-Continuous-Evaluation]] | CI Gate / Experiment Tracking | RAGAS + CircleCI, W&B | 项目已有 regression set 后 |
|
||
| [[04-Agent-Safety-and-Environments\|04-Agent-Safety-and-Environments]] | Tool Use / Sandbox / Trajectory | Inspect Sandbox, BenchFlow | 掌握 Task / Trial / Trace / Outcome / Harness 之后（后期） |
|
||
| [[05-Source-Reading-Checklist\|05-Source-Reading-Checklist]] | 统一阅读方法论 | 固定的 8 个问题 | 随时（读任何框架前） |
|
||
| [[01_Projects/Personal-Tech/LLM_Evaluation/04-Reference/evaluation-guidebook/00-Overview\|evaluation-guidebook]] | 方法论补充 | Hugging Face 官方 Guidebook | 按主题查阅 |
|
||
| [[01_Projects/Personal-Tech/LLM_Evaluation/04-Reference/archive/00-Material-List\|archive/]] | 早期草案与外部资源归档 | 索引见 00-Material-List | 需要背景时 |
|
||
|
||
## 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
|