基于指标的评估#
专业版和企业版计划可用
基于指标的评估在专业版和企业版计划上可用。注册社区和入门计划用户也可以为单个工作流使用它。
什么是基于指标的评估？#
一旦您的工作流准备好部署，您通常希望用比构建时更多的示例来测试它。
例如，当生产执行开始遇到边缘情况时，您希望将它们添加到测试数据集中，以确保它们得到覆盖。
对于从生产数据构建的大型数据集，仅凭观察结果很难了解性能。相反，您必须测量性能。基于指标的评估可以为每次测试运行分配一个或多个分数，您可以将其与之前的运行进行比较。单个分数汇总起来以测量整个数据集的性能。
此功能允许您运行计算指标的评估，跟踪这些指标在运行之间的变化，并深入了解这些变化的原因。
指标可以是确定性函数（例如两个字符串之间的距离），或者您可以使用 AI 来计算它们。指标通常涉及检查输出与参考输出（也称为基准真值）的距离。为此，数据集必须包含该参考输出。但是，某些评估不需要此参考输出（例如，检查文本的情感或毒性）。
工作原理#
Google Sheets 凭据
评估使用数据表或 Google Sheets 来存储测试数据集。要使用 Google Sheets 作为数据集源，请配置 Google Sheets 凭据。
- 设置轻量级评估
- 向工作流添加指标
- 运行评估并查看结果
1. 设置轻量级评估#
按照设置说明创建数据集并将其连接到您的工作流，将输出写回数据集。
以下步骤使用来自轻量级评估文档的相同支持工单分类工作流：
2. 向工作流添加指标#
指标是用于对工作流输出进行评分的维度。它们通常将实际工作流输出与参考输出进行比较。通常使用 AI 来计算指标，尽管有时也可以只使用代码。在 n8n 中，指标始终是数字。
您需要添加逻辑来计算工作流的指标，在工作流产生输出之后的某个点。您可以将指标使用的任何参考输出作为数据集中的列添加。这确保它们在工作流中可用，因为它们将由评估触发器输出。
使用 设置指标 操作来计算：
- 正确性（基于 AI）：答案的含义是否与提供的参考答案一致。使用 1 到 5 的评分，5 为最佳。
- 有用性（基于 AI）：响应是否回答了给定的查询。使用 1 到 5 的评分，5 为最佳。
- 字符串相似性：答案与参考答案的接近程度，按字符逐个测量（编辑距离）。返回 0 到 1 之间的分数。
- 分类：答案是否与参考答案完全匹配。匹配时返回 1，否则返回 0。
- 使用的工具：执行是否使用了工具。返回 0 到 1 之间的分数。
您还可以添加自定义指标。只需在工作流内计算指标，然后将它们映射到评估节点。使用 设置指标 操作并选择 自定义指标 作为指标。然后您可以设置要返回的指标的名称和值。
例如：
- RAG 文档相关性：在使用向量数据库时，检索的文档是否与问题相关。
计算指标可能会增加延迟和成本，因此您可能只想在运行评估时进行，而在进行生产执行时避免这样做。您可以通过将指标逻辑放在'检查是否评估'操作之后来实现这一点。
3. 运行评估并查看结果#
切换到工作流的 Evaluations 评估 标签页，然后点击 Run Test 运行测试 按钮。评估会开始运行。评估完成后，它会显示每个指标的汇总分数。
你可以点击测试运行行，查看每个测试用例的结果。点击单个测试用例会在新标签页中打开生成该结果的执行。
并行运行测试用例#
在支持并发的套餐中，Run Test 运行测试 是一个拆分按钮。右侧的插入符号会打开一个弹出层，其中的滑块可控制同时运行多少个测试用例。
默认最大值取决于你的套餐：
| 套餐 | 最大并行测试用例数 |
|---|---|
| Community / Pro | 1（顺序运行） |
| Business | 3 |
| Enterprise | 5 |
当最大值为 1 时，插入符号和弹出层会被隐藏，Run Test 运行测试 会显示为普通按钮，运行方式为顺序执行，与早期版本相同。
无论套餐层级如何，自托管实例都可以使用 N8N_CONCURRENCY_EVALUATION_LIMIT 环境变量覆盖最大值。
LLM 速率限制
更高的并发度会加快评估运行速度，但也会增加触发上游 LLM 速率限制的可能性。如果看到速率限制错误，请调低滑块值。