Ragas项目中的评估函数Bug分析与解决方案

问题背景

在Ragas项目(一个用于评估AI生成内容质量的工具)的使用过程中，发现了一个与评估函数相关的Bug。该Bug主要出现在使用VertexAI的gemini-pro模型进行内容评估时，会导致评估结果与问题不匹配的情况。

问题现象

当用户对一个包含51个问题的数据集进行评估时，发现评估结果存在以下异常现象：

1. 批量评估时，部分问题的评估结果出现NaN值，而其他问题则获得正常评分
2. 单独评估那些在批量评估中出现NaN的问题时，却能获得正常评分
3. 评估结果的顺序似乎被打乱，导致评分与问题不匹配

根本原因分析

经过深入调查，发现问题源于VertexAI模型的内容安全过滤机制。当模型检测到可能有害的内容(如仇恨言论、骚扰内容等)时，会抛出ResponseValidationError异常。这个异常处理方式导致了以下连锁反应：

1. 评估过程中的并行处理机制因异常而中断
2. 评估结果的顺序被打乱
3. 部分评估结果未能正确赋值，导致NaN出现

技术细节

VertexAI模型内置了严格的内容安全过滤机制，会对以下类型的内容进行拦截：

• 仇恨言论
• 危险内容
• 骚扰内容
• 性暗示内容

当模型检测到这些内容时，会终止响应并抛出异常。在Ragas的评估流程中，这种异常处理方式干扰了评估结果的正确分配。

解决方案

目前可行的解决方案是创建一个自定义的VertexAI包装类，覆盖默认的安全设置：

from langchain_google_vertexai import VertexAI as VertexAI_
from vertexai.generative_models import generative_models

class BaseWrapper:
    @property
    def safety_settings(self):
        return {
            generative_models.HarmCategory.HARM_CATEGORY_DANGEROUS_CONTENT: generative_models.HarmBlockThreshold.BLOCK_NONE,
            generative_models.HarmCategory.HARM_CATEGORY_HARASSMENT: generative_models.HarmBlockThreshold.BLOCK_NONE,
            generative_models.HarmCategory.HARM_CATEGORY_UNSPECIFIED: generative_models.HarmBlockThreshold.BLOCK_NONE,
            generative_models.HarmCategory.HARM_CATEGORY_HATE_SPEECH: generative_models.HarmBlockThreshold.BLOCK_NONE,
            generative_models.HarmCategory.HARM_CATEGORY_SEXUALLY_EXPLICIT: generative_models.HarmBlockThreshold.BLOCK_NONE,
        }

class VertexAI(VertexAI_, BaseWrapper):
    def generate_prompt(self, *args, **kwargs):
        return super().generate_prompt(*args, **kwargs, safety_settings=self.safety_settings)

这个解决方案通过以下方式解决问题：

1. 禁用所有内容安全过滤
2. 确保所有评估请求都能完成
3. 保持评估结果的顺序一致性

注意事项

虽然这个解决方案能够解决评估结果错位的问题，但也意味着放弃了模型内置的内容安全保护。在实际应用中，开发者需要权衡评估准确性和内容安全性的需求。

未来改进方向

Ragas项目团队已经表示，未来的版本将引入自一致性(self-consistency)机制来提高评估指标的稳定性。这将有助于解决类似的问题，同时保持对有害内容的适当过滤。

对于开发者而言，在Ragas官方修复此问题之前，可以采取以下措施：

1. 使用上述包装类解决方案
2. 对数据集进行预处理，移除可能触发安全过滤的内容
3. 分批评估数据集，减少并行处理带来的问题