首页
/ Ragas项目中自定义LLM集成与评估实践指南

Ragas项目中自定义LLM集成与评估实践指南

2025-05-26 20:15:57作者:滕妙奇

引言

在Ragas评估框架中,集成自定义语言模型(LLM)是许多开发者面临的实际需求。本文将详细介绍如何基于API参数(如api_path、URL、header等)构建自定义LLM包装器,并将其应用于Ragas的评估指标计算中。

自定义LLM实现方案

核心问题分析

Ragas框架要求LLM实现必须包含generate_textagenerate_text两个核心方法,直接实例化BaseRagasLLM抽象类会导致TypeError。解决方案是创建自定义子类来实现这些抽象方法。

实现步骤详解

  1. 基础环境配置 首先需要设置API访问所需的环境变量和参数:

    api_path = 'path'
    url_35 = f'{api_path}/v1.1/Chat/Completions'
    workspace_name = 'space_name'
    
    header = {
        "api-key": "api_key",
        "Content-Type": "application/json",
        'workspaceName': workspace_name
    }
    
  2. API调用函数实现 构建基础的API调用函数,处理请求和响应:

    import requests
    
    configuration_llm = 'llm'
    def get_response(configuration_llm, prompt_template, query):
        myobj = {
            'messages': [
                {'role': 'system', 'content': prompt_template},
                {'role': 'user', 'content': query}
            ],
            'model': configuration_llm,
            'top_p': 0.5,
            'temperature': 1,
            'frequency_penalty': 0,
            'presence_penalty': 0,
            'max_tokens': 400,
            'stream': False,
            'stop': None,
            'logitBias': None
        }
        response = requests.post(url_35, json=myobj, headers=header, verify=False)
        return response.json()['choices'][0]['message']['content']
    
  3. 自定义LLM类实现 继承BaseRagasLLM并实现必要方法:

    from ragas.llms import BaseRagasLLM
    from ragas.llms.prompt import PromptValue
    from ragas.llms.base import LLMResult, Generation
    
    class CustomLLM(BaseRagasLLM):
        def generate_text(self, prompt: PromptValue, n=1, temperature=1.0, stop=None, callbacks=None) -> LLMResult:
            response_text = get_response(self.model, prompt.prompt_str)
            generations = [[Generation(text=response_text)] * n]
            return LLMResult(generations=generations)
    
        async def agenerate_text(self, prompt: PromptValue, n=1, temperature=1.0, stop=None, callbacks=None) -> LLMResult:
            return self.generate_text(prompt, n, temperature, stop, callbacks)
    

集成到Ragas评估流程

初始化配置

创建自定义LLM实例并进行包装:

from ragas.run_config import RunConfig
from ragas.llms import LangchainLLMWrapper

model = configuration_llm
run_config = RunConfig(timeout=30)
llm_instance = CustomLLM(
    model=model,
    run_config=run_config,
    default_headers=header,
    base_url=url_35
)

wrapped_llm = LangchainLLMWrapper(llm_instance)

评估指标设置

将包装后的LLM应用于Ragas评估指标:

from ragas.metrics import faithfulness, answer_relevancy, context_precision

metrics = [faithfulness, answer_relevancy, context_precision]

def init_ragas_metrics(metrics, llm, embedding):
    for metric in metrics:
        if isinstance(metric, MetricWithLLM):
            metric.llm = llm
        if isinstance(metric, MetricWithEmbeddings):
            metric.embeddings = embedding
        run_config = RunConfig()
        metric.init(run_config)

init_ragas_metrics(
    metrics,
    llm=wrapped_llm,
    embedding=your_embedding_instance
)

实际应用示例

评估函数实现

构建评估函数来计算各项指标:

async def evaluate_with_custom_llm(query, contexts, answer):
    scores = {}
    for metric in metrics:
        scores[metric.name] = await metric.ascore(
            row={"question": query, "contexts": contexts, "answer": answer}
        )
    return scores

执行评估

使用自定义LLM进行实际评估:

import asyncio

# 示例数据
sample_data = {
    "question": "什么是Ragas框架?",
    "contexts": ["Ragas是一个用于评估检索增强生成系统的框架..."],
    "answer": "Ragas是专门用于评估RAG系统的开源框架"
}

# 执行评估
results = asyncio.run(evaluate_with_custom_llm(**sample_data))
print(results)

最佳实践建议

  1. 错误处理增强:在自定义LLM实现中添加完善的错误处理机制,特别是对API调用失败的情况
  2. 性能优化:考虑实现请求批处理功能,提高评估效率
  3. 参数调优:根据评估结果调整LLM的参数配置,如temperature和max_tokens
  4. 异步优化:真正实现异步版本的agenerate_text方法,而非简单调用同步版本
  5. 日志记录:添加详细的日志记录,便于调试和性能分析

结语

通过本文介绍的方法,开发者可以灵活地将各种API-based LLM集成到Ragas评估框架中,实现对检索增强生成系统的全面评估。这种自定义集成方式不仅适用于文中的示例场景,也可以扩展到其他类似的评估需求中,为RAG系统的优化提供可靠的数据支持。

登录后查看全文
热门项目推荐
相关项目推荐

项目优选

收起
docsdocs
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
139
1.91 K
kernelkernel
deepin linux kernel
C
22
6
nop-entropynop-entropy
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
8
0
ohos_react_nativeohos_react_native
React Native鸿蒙化仓库
C++
192
273
RuoYi-Vue3RuoYi-Vue3
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
923
551
openHiTLSopenHiTLS
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
421
392
openGauss-serveropenGauss-server
openGauss kernel ~ openGauss is an open source relational database management system
C++
145
189
金融AI编程实战金融AI编程实战
为非计算机科班出身 (例如财经类高校金融学院) 同学量身定制,新手友好,让学生以亲身实践开源开发的方式,学会使用计算机自动化自己的科研/创新工作。案例以量化投资为主线,涉及 Bash、Python、SQL、BI、AI 等全技术栈,培养面向未来的数智化人才 (如数据工程师、数据分析师、数据科学家、数据决策者、量化投资人)。
Jupyter Notebook
74
64
Cangjie-ExamplesCangjie-Examples
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
344
1.3 K
easy-eseasy-es
Elasticsearch 国内Top1 elasticsearch搜索引擎框架es ORM框架,索引全自动智能托管,如丝般顺滑,与Mybatis-plus一致的API,屏蔽语言差异,开发者只需要会MySQL语法即可完成对Es的相关操作,零额外学习成本.底层采用RestHighLevelClient,兼具低码,易用,易拓展等特性,支持es独有的高亮,权重,分词,Geo,嵌套,父子类型等功能...
Java
36
8