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_text
和agenerate_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
-
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 }
-
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']
-
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
- 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
- 性能优化:考虑实现请求批处理功能,提高评估效率
- 参数调优:根据评估结果调整LLM的参数配置,如temperature和max_tokens
- 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
- 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
- DDeepSeek-V3.1-BaseDeepSeek-V3.1 是一款支持思考模式与非思考模式的混合模型Python00
- QQwen-Image-Edit基于200亿参数Qwen-Image构建,Qwen-Image-Edit实现精准文本渲染与图像编辑,融合语义与外观控制能力Jinja00
GitCode-文心大模型-智源研究院AI应用开发大赛
GitCode&文心大模型&智源研究院强强联合,发起的AI应用开发大赛;总奖池8W,单人最高可得价值3W奖励。快来参加吧~042CommonUtilLibrary
快速开发工具类收集,史上最全的开发工具类,欢迎Follow、Fork、StarJava04GitCode百大开源项目
GitCode百大计划旨在表彰GitCode平台上积极推动项目社区化,拥有广泛影响力的G-Star项目,入选项目不仅代表了GitCode开源生态的蓬勃发展,也反映了当下开源行业的发展趋势。06GOT-OCR-2.0-hf
阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00openHiTLS
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!C0299- WWan2.2-S2V-14B【Wan2.2 全新发布|更强画质,更快生成】新一代视频生成模型 Wan2.2,创新采用MoE架构,实现电影级美学与复杂运动控制,支持720P高清文本/图像生成视频,消费级显卡即可流畅运行,性能达业界领先水平Python00
- GGLM-4.5-AirGLM-4.5 系列模型是专为智能体设计的基础模型。GLM-4.5拥有 3550 亿总参数量,其中 320 亿活跃参数;GLM-4.5-Air采用更紧凑的设计,拥有 1060 亿总参数量,其中 120 亿活跃参数。GLM-4.5模型统一了推理、编码和智能体能力,以满足智能体应用的复杂需求Jinja00
Yi-Coder
Yi Coder 编程模型,小而强大的编程助手HTML013
热门内容推荐
1 freeCodeCamp猫照片应用教程中的HTML注释测试问题分析2 freeCodeCamp全栈开发课程中测验游戏项目的参数顺序问题解析3 freeCodeCamp英语课程填空题提示缺失问题分析4 freeCodeCamp音乐播放器项目中的函数调用问题解析5 freeCodeCamp论坛排行榜项目中的错误日志规范要求6 freeCodeCamp 课程中关于角色与职责描述的语法优化建议 7 freeCodeCamp全栈开发课程中React组件导出方式的衔接问题分析8 freeCodeCamp Cafe Menu项目中link元素的void特性解析9 freeCodeCamp全栈开发课程中React实验项目的分类修正10 freeCodeCamp英语课程视频测验选项与提示不匹配问题分析
最新内容推荐
OMNeT++中文使用手册:网络仿真的终极指南与实用教程 基于Matlab的等几何分析IGA软件包:工程计算与几何建模的完美融合 PADS元器件位号居中脚本:提升PCB设计效率的自动化利器 电脑PC网易云音乐免安装皮肤插件使用指南:个性化音乐播放体验 Python Django图书借阅管理系统:高效智能的图书馆管理解决方案 Python开发者的macOS终极指南:VSCode安装配置全攻略 WebVideoDownloader:高效网页视频抓取工具全面使用指南 ReportMachine.v7.0D5-XE10:Delphi报表生成利器深度解析与实战指南 PhysioNet医学研究数据库:临床数据分析与生物信号处理的权威资源指南 海康威视DS-7800N-K1固件升级包全面解析:提升安防设备性能的关键资源
项目优选
收起

React Native鸿蒙化仓库
C++
176
261

🎉 (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
858
511

openGauss kernel ~ openGauss is an open source relational database management system
C++
129
182

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
258
298

🔥🔥🔥ShopXO企业级免费开源商城系统,可视化DIY拖拽装修、包含PC、H5、多端小程序(微信+支付宝+百度+头条&抖音+QQ+快手)、APP、多仓库、多商户、多门店、IM客服、进销存,遵循MIT开源协议发布、基于ThinkPHP8框架研发
JavaScript
93
15

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
332
1.08 K

本仓将收集和展示仓颉鸿蒙应用示例代码,欢迎大家投稿,在仓颉鸿蒙社区展现你的妙趣设计!
Cangjie
398
371

一款跨平台的 Markdown AI 笔记软件,致力于使用 AI 建立记录和写作的桥梁。
TSX
83
4

为仓颉编程语言开发者打造活跃、开放、高质量的社区环境
Markdown
1.07 K
0

deepin linux kernel
C
22
5