在大模型应用开发中，如何科学、自动化地评测 LLM（大语言模型）的输出质量，一直是让开发者头疼的问题。人工评测虽然靠谱，但效率太低，根本无法支撑快速迭代。

有没有一种方式，能像写单元测试一样，把 LLM 的评测流程自动化、标准化？DeepEval 就是为此而生的。

DeepEval 是 Confident AI 团队开源的 LLM 评测框架。它的最大特点，就是让你用极简的代码，把复杂的模型评测流程变得像写 pytest 一样自然，支持本地运行，并且LLM应用开发框架集成，如 LlamaIndex、Langchain、CrewAI 等。比如，你只需要几行代码，就能定义一个测试用例和评测标准：

from deepeval.metrics import GEval, LLMTestCaseParams
from deepeval.test_case import LLMTestCase
from deepeval import assert_test

correctness_metric = GEval(
    name="Correctness",
    criteria="判断 actual_output 是否与 expected_output 一致",
    evaluation_params=[LLMTestCaseParams.ACTUAL_OUTPUT, LLMTestCaseParams.EXPECTED_OUTPUT],
    threshold=0.5
)

test_case = LLMTestCase(
    input="What if these shoes don't fit?",
    actual_output="You have 30 days to get a full refund at no extra cost.",
    expected_output="We offer a 30-day full refund at no extra costs.",
    retrieval_context=["All customers are eligible for a 30 day full refund at no extra costs."]
)

assert_test(test_case, [correctness_metric])

DeepEval 不只是“能用”，而且“好用”。它内置了多种主流的 LLM 评测指标，覆盖了大部分实际场景。比如：

• 你想知道模型输出和标准答案有多接近？用 Correctness（正确性）。

• 想判断答案和用户问题的相关性？有 Answer Relevancy（答案相关性）。

• 担心模型“胡说八道”？Hallucination（幻觉检测） 能帮你发现无依据的内容。

• 做 RAG 检索增强，关心输出是否忠实于上下文？Faithfulness（事实一致性） 和 Context Recall（上下文召回） 都能派上用场。

• 还有 Toxicity（有害内容检测），帮你过滤掉不当内容，保障应用安全。

这些指标你可以自由组合，甚至可以自定义，满足各种业务需求。比如下面这样，给同一个用例同时加上幻觉检测和相关性评测：

from deepeval.metrics import HallucinationMetric, AnswerRelevancyMetric

hallucination_metric = HallucinationMetric(threshold=0.3)
answer_relevancy_metric = AnswerRelevancyMetric(threshold=0.7)

assert_test(test_case, [hallucination_metric, answer_relevancy_metric])

除了单条用例，DeepEval 还支持批量数据集评测、组件级追踪（比如对 LLM 应用内部的检索器、Agent、工具调用等细粒度分析），甚至可以一行命令在命令行里跑所有测试，支持并行加速，非常适合 CI/CD 集成和大规模自动化测试。最终生成的结果还可以依托平台可视化报表展示，更具清晰直观。

小结

总的来说，DeepEval 让 LLM 评测变得像写单元测试一样简单自然。无论是做问答、RAG 还是多轮对话，DeepEval 都能帮你轻松构建自动化评测体系，不用再为评测流程、指标实现、数据集管理而发愁，只需专注于模型和业务本身。对于追求高效、科学评测的开发者来说，DeepEval 是一个值得一试的利器。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】