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

项目优选

收起
ohos_react_nativeohos_react_native
React Native鸿蒙化仓库
C++
176
261
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
858
511
openGauss-serveropenGauss-server
openGauss kernel ~ openGauss is an open source relational database management system
C++
129
182
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
258
298
ShopXO开源商城ShopXO开源商城
🔥🔥🔥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
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
332
1.08 K
HarmonyOS-ExamplesHarmonyOS-Examples
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
note-gennote-gen
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
CangjieCommunityCangjieCommunity
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
kernelkernel
deepin linux kernel
C
22
5