大家好，我是贝克街的捉虫师呀！

最近这段时间，大家都忙着折腾大模型应用，各种 Agent、RAG 框架层出不穷。搭建流程好像越来越顺手了，但搞定功能只是第一步，接下来的问题是：我怎么知道我的大模型应用效果到底好不好？生成的文本有没有事实错误（幻觉）？RAG 检索的内容是不是真的被用上了？传统的单元测试那套，好像不太适合测试这种天马行空的文本输出。每次改点代码、换个 Prompt，都得靠人工去检查输出结果，效率低不说，还容易漏掉问题。

正当我被这些问题困扰时，偶然在 GitHub 上发现一个项目，感觉它就是为解决这些 LLM 应用的“靠谱性”问题而生的——这就是 DeepEval。

DeepEval 用作者的话来说，是一个简单易用的开源 LLM 评估框架，专门用来评估和测试大型语言模型系统。你可以把它想象成给你的 LLM 输出做单元测试的 Pytest。它不光能测试最终的输出，还能深入到应用内部的组件进行评估，比如 RAG 的检索环节、Agent 的工具调用等。它的目标很明确：帮你量化地评估你的 LLM 应用表现如何，看看换个模型、改个 Prompt 到底有没有提升，让你的 LLM 应用开发过程不再那么“玄学”。

咱们先看看这个项目的“人气”怎么样。DeepEval 目前在 GitHub 上累计收获了 7754 个 Star，而且仅仅是今天，就新增了 331 个 Star，这增长速度足以说明大家对 LLM 评估这个痛点有多关注。它主要用 Python 编写，非常符合咱们日常开发习惯。项目的维护也挺活跃的，社区讨论和更新都比较频繁，说明它不是一个“死”项目，而是持续有人投入和完善的。这种活跃度也让人用起来更放心一些。

DeepEval 之所以能解决咱们的痛点，主要是因为它提供了一系列实用的功能：

💡 丰富的内置评估指标

它不像有些工具只提供几个基础指标，DeepEval 内置了非常全面的评估项。有专门针对 RAG 应用的，比如判断回答是否基于检索结果的 Faithfulness、检索结果是否与问题相关的 Contextual Relevancy；有针对 Agent 的，比如 Task Completion；还有一些通用的，比如 Hallucination（幻觉）、Bias（偏见）、Toxicity（毒性），甚至还有对话类的指标。这些指标很多是基于前沿研究，并且可以通过你的自定义 LLM 或本地模型来运行评估，非常灵活。我个人觉得这个指标体系是它最吸引人的地方之一。

🔬 支持端到端和组件级评估

你可以把 DeepEval 当成黑盒，测试整个 LLM 应用的输入和最终输出，这叫端到端评估。更强大的是，它还能用 @observe 装饰器追踪你应用内部的各个组件，比如单独评估某个 LLM 调用、某个检索器或者某个 Agent 的表现。这样你就能知道问题是出在哪个环节，而不是只看到最终结果不好。这对于调试复杂的 LLM 应用来说简直是雪中送炭。

🔌 与 CI/CD 无缝集成

DeepEval 考虑到了软件开发的实际流程。你可以像运行普通单元测试一样，把 DeepEval 的评估任务集成到你的 CI/CD 流程里。这样，每次代码提交、模型更新或者 Prompt 调整，都能自动触发评估测试。如果某个指标没达标，流水线就失败，及时给你预警，防止意外引入 Bug 或者降低应用效果。这对保障 LLM 应用的持续质量非常关键。

🛡️ 内置强大的安全漏洞检测

大模型应用的安全问题不容忽视，比如各种 Prompt 注入、数据泄露、生成有害内容等。DeepEval 集成了红队测试能力，可以检测 40 多种安全漏洞，包括偏见、毒性、SQL 注入等。只需要几行代码，你就可以对你的应用进行安全体检，提前发现并修复这些潜在风险，这在当前的 LLM 开发环境中是很有必要的。

📊 轻松进行 LLM 基准测试

如果你想对比不同的开源或闭源 LLM 在标准任务上的表现，比如 MMLU、HellaSwag 等，DeepEval 也提供了简便的接口。用不到 10 行代码，你就能在这些流行的基准数据集上运行评估，快速获取模型的表现数据，为你的模型选型提供数据支撑。

☁️ 配套云平台提供更全面的服务

DeepEval 的背后团队 Confident AI 还提供了一个配套的云平台。通过这个平台，你可以进行数据集的云端管理、测试报告的可视化对比、评估结果的详细调试，甚至生产环境的监控和数据回流，形成一个完整的 LLM 评估和迭代闭环。虽然库本身功能已经很强大，但如果你的项目需要更精细化的管理和协作，云平台也是一个不错的选择。

DeepEval 的安装和使用都比较友好。

安装非常简单，直接用 pip 命令即可：

pip install -U deepeval

DeepEval 进行评估时，通常需要调用另一个模型来判断输出质量，比如使用 OpenAI 的模型，或者你可以配置本地模型。最常见的做法是设置 API Key 环境变量：

export OPENAI_API_KEY="..."

然后你就可以开始写测试用例了，语法设计得很像 Pytest，非常自然：

“““python
import pytest
from deepeval import assert_test
from deepeval.metrics import GEval # 引入GEval指标
from deepeval.test_case import LLMTestCase, LLMTestCaseParams # 引入测试用例和参数

这是一个标准的pytest测试函数

def test_refund_policy():
# 定义一个GEval指标，用来评估输出的正确性
# criteria 是评估的标准，可以根据你的需求自定义
correctness_metric = GEval(
name=”正确性评估”, # 指标名称
criteria=”判断 ‘actual output’ 是否基于 ‘expected output’ 正确回应了 ‘input’。”, # 评估标准描述
evaluation_params=[LLMTestCaseParams.ACTUAL_OUTPUT, LLMTestCaseParams.EXPECTED_OUTPUT, LLMTestCaseParams.INPUT], # 评估需要用到的参数
threshold=0.7 # 设置一个通过测试的阈值，0-1之间
)

# 构建一个LLMTestCase对象，包含测试所需的所有信息
test_case = LLMTestCase(
    input="如果我买的鞋不合脚怎么办？", # 用户输入
    # 假设这是你的LLM应用给出的实际输出
    actual_output="您可以在30天内免费获得全额退款。",
    # 这是你期望的理想输出
    expected_output="我们提供30天内免费全额退款。",
    # 对于RAG应用，你还可以提供检索到的上下文
    retrieval_context=["所有客户都可以在30天内免费获得全额退款。"]
)

# 使用assert_test来运行测试用例并应用指定的指标
assert_test(test_case, [correctness_metric])

“`

运行测试：

在你的终端进入项目目录，然后执行以下命令

deepeval test run your_test_file_name.py

上面的例子展示了怎么创建一个 LLMTestCase，然后用 GEval 这个指标来判断实际输出和期望输出的匹配程度。你可以根据自己的应用类型，选择不同的内置指标，或者创建自定义指标来评估你的 LLM 输出。整个流程和写传统的单元测试非常相似，上手门槛不高。

在我看来，DeepEval 特别适合下面这些场景：

  1. 开发 RAG 和 Agent 应用： 这类应用结构比较复杂，传统的测试难以下手。DeepEval 丰富的指标和组件级评估能力，能帮你精准定位问题，优化流程。
  2. 迭代模型和 Prompt： 在不断调整模型参数、Prompt 甚至更换基座模型时，你需要一个客观的方式来对比不同版本的效果。DeepEval 提供了量化评估和基准测试的能力。
  3. 将 LLM 应用投入生产： 在生产环境，应用的稳定性和可靠性至关重要。将 DeepEval 集成到 CI/CD 中，并配合安全评估，能大大提升你的信心。
  4. 对 LLM 输出质量有较高要求： 如果你的应用对 LLM 输出的准确性、安全性和一致性要求很高（比如客服机器人、智能辅助写作等），DeepEval 是一个不可或缺的质量保障工具。

总的来说，DeepEval 提供了一个系统化、工程化的方法来解决大模型应用的评估和测试问题。它填补了传统测试工具在这方面的空白，让 LLM 应用的开发和维护变得更加可控和可靠。丰富的指标、灵活的测试方式、与现有开发流程的良好结合，都让它成为一个非常值得关注和尝试的开源项目。

如果你也在为如何让你的 LLM 应用更“靠谱”而发愁，不妨去 DeepEval 的 GitHub 仓库看看。

GitHub 项目地址：https://github.com/confident-ai/deepeval

文档地址：https://deepeval.com/docs/getting-started

去试试看吧！如果你在使用过程中有什么心得体会，或者遇到了什么问题，欢迎在评论区分享交流！

类似文章