如何通过重复进行评估

运行多次 重复实验 可以更准确地估计系统的性能，因为大语言模型（LLM）的输出是非确定性的。输出在每次重复之间可能会有所不同。重复实验是降低易变系统（如智能体）中噪声的一种方法。

在实验中配置重复次数​

将可选的 num_repetitions 参数添加到 evaluate / aevaluate 函数中（Python, TypeScript），以指定在数据集中的每个示例上评估的次数。例如，如果您的数据集包含 5 个示例并设置 num_repetitions=5，则每个示例将运行 5 次，总计 25 次运行。

Python

from langsmith import evaluate

results = evaluate(
    lambda inputs: label_text(inputs["text"]),
    data=dataset_name,
    evaluators=[correct_label],
    experiment_prefix="Toxic Queries",
    num_repetitions=3,
)

TypeScript

import { evaluate } from "langsmith/evaluation";

await evaluate((inputs) => labelText(inputs["input"]), {
  data: datasetName,
  evaluators: [correctLabel],
  experimentPrefix: "Toxic Queries",
  numRepetitions=3,
});

查看使用重复运行进行的实验结果​

如果您使用重复次数运行了实验，输出结果列中将显示箭头，以便您在表格中查看输出。要查看重复中的每次运行，请将鼠标悬停在输出单元格上并点击展开视图。 当您运行带有重复次数的实验时，LangSmith 会在表格中显示每个反馈分数的平均值。点击反馈分数可查看单次运行的反馈分数，或查看重复次数之间的标准差。