agentic-eval

智能体评估模式

通过迭代评估与优化实现自我改进的模式。

概述

评估模式使智能体能够评估和改进自身输出，从单次生成转向迭代优化循环。

生成 → 评估 → 批评 → 优化 → 输出
    ↑                              │
    └──────────────────────────────┘

使用时机

• 质量关键型生成：需要高准确性的代码、报告、分析
• 具有明确评估标准的任务：存在定义的成功指标
• 需要特定标准的内容：风格指南、合规性、格式要求

---

模式1：基础反思

智能体通过自我批评评估和改进自身输出。

def reflect_and_refine(task: str, criteria: list[str], max_iterations: int = 3) -> str:
    """带反思循环的生成。"""
    output = llm(f"完成此任务：\n{task}")
    
    for i in range(max_iterations):
        # 自我批评
        critique = llm(f"""
        根据标准评估此输出：{criteria}
        输出：{output}
        对每项评分：PASS/FAIL，并附上反馈，以JSON格式返回。
        """)
        
        critique_data = json.loads(critique)
        all_pass = all(c["status"] == "PASS" for c in critique_data.values())
        if all_pass:
            return output
        
        # 根据批评进行优化
        failed = {k: v["feedback"] for k, v in critique_data.items() if v["status"] == "FAIL"}
        output = llm(f"改进以解决：{failed}\n原始：{output}")
    
    return output

关键洞察：使用结构化JSON输出以可靠解析批评结果。

---

模式2：评估器-优化器

将生成和评估分离为独立组件，职责更清晰。

class EvaluatorOptimizer:
    def __init__(self, score_threshold: float = 0.8):
        self.score_threshold = score_threshold
    
    def generate(self, task: str) -> str:
        return llm(f"完成：{task}")
    
    def evaluate(self, output: str, task: str) -> dict:
        return json.loads(llm(f"""
        评估任务输出：{task}
        输出：{output}
        返回JSON：{{"overall_score": 0-1, "dimensions": {{"accuracy": ..., "clarity": ...}}}}
        """))
    
    def optimize(self, output: str, feedback: dict) -> str:
        return llm(f"根据反馈改进：{feedback}\n输出：{output}")
    
    def run(self, task: str, max_iterations: int = 3) -> str:
        output = self.generate(task)
        for _ in range(max_iterations):
            evaluation = self.evaluate(output, task)
            if evaluation["overall_score"] >= self.score_threshold:
                break
            output = self.optimize(output, evaluation)
        return output

---

模式3：代码特定反思

用于代码生成的测试驱动优化循环。

class CodeReflector:
    def reflect_and_fix(self, spec: str, max_iterations: int = 3) -> str:
        code = llm(f"为以下规格编写Python代码：{spec}")
        tests = llm(f"为以下规格生成pytest测试：{spec}\n代码：{code}")
        
        for _ in range(max_iterations):
            result = run_tests(code, tests)
            if result["success"]:
                return code
            code = llm(f"修复错误：{result['error']}\n代码：{code}")
        return code

---

评估策略

基于结果

评估输出是否达到预期结果。

def evaluate_outcome(task: str, output: str, expected: str) -> str:
    return llm(f"输出是否达到预期结果？任务：{task}，预期：{expected}，输出：{output}")

LLM作为评判

使用LLM比较和排序输出。

def llm_judge(output_a: str, output_b: str, criteria: str) -> str:
    return llm(f"比较输出A和B，依据{criteria}。哪个更好，为什么？")

基于评分标准

根据加权维度对输出评分。

RUBRIC = {
    "accuracy": {"weight": 0.4},
    "clarity": {"weight": 0.3},
    "completeness": {"weight": 0.3}
}

def evaluate_with_rubric(output: str, rubric: dict) -> float:
    scores = json.loads(llm(f"对每个维度评分1-5：{list(rubric.keys())}\n输出：{output}"))
    return sum(scores[d] * rubric[d]["weight"] for d in rubric) / 5

---

最佳实践

实践	理由
明确的标准	预先定义具体、可衡量的评估标准
迭代限制	设置最大迭代次数（3-5次）以防止无限循环
收敛检查	如果输出分数在迭代间没有提升则停止
记录历史	保留完整轨迹以便调试和分析
结构化输出	使用JSON以可靠解析评估结果

---

快速入门清单

## 评估实施清单

### 设置
- [ ] 定义评估标准/评分标准
- [ ] 设置“足够好”的分数阈值
- [ ] 配置最大迭代次数（默认：3）

### 实施
- [ ] 实现generate()函数
- [ ] 实现evaluate()函数，输出结构化结果
- [ ] 实现optimize()函数
- [ ] 连接优化循环

### 安全
- [ ] 添加收敛检测
- [ ] 记录所有迭代以便调试
- [ ] 优雅处理评估解析失败