Разработка системы автоматической оценки качества промптов

Качественный промпт для GPT-4o или Claude 3.5 требует валидации на сотнях кейсов, прежде чем попасть в продакшен. Ручная разметка дорога — средняя стоимость одного эталонного ответа $5-10, а субъективная оценка инженера не масштабируется. Плохой промпт незаметно снижает качество ответов, ухудшает пользовательский опыт и приводит к регрессиям. Мы разрабатываем системы автоматической оценки качества промптов (evaluation systems), которые затачиваем под вашу задачу и бизнес-метрики. За 5+ лет в NLP и LLM мы реализовали более 40 проектов, где eval-пайплайны сокращали время валидации в 5 раз и снижали затраты на ручное тестирование на $10,000–$15,000 ежемесячно. Например, для fintech-клиента с ботом на GPT-4o удалось достичь окупаемости инвестиций за 3-4 месяца.

Метрики оценки промптов: что работает в production?

Есть три основных подхода к оценке:

• Reference-based метрики — сравнивают ответ с эталоном. ROUGE измеряет overlap n-грамм, BERTScore — семантическую близость через эмбеддинги. Они хороши для задач с однозначным ответом (суммаризация, перевод).
• LLM-as-judge — использует сильную модель (GPT-4o, Claude 3.5) для оценки по заданным критериям. Подходит для субъективных аспектов: полезность, безопасность, соответствие тону.
• Task-specific метрики — например, F1 по сущностям для NER, точность ретривера для RAG, perplexity для генерации.

Гибридный подход в 2 раза точнее, чем использование любой одной метрики — мы комбинируем reference-based и LLM-judge с весами, адаптированными под задачу.

Что учитывать при выборе метрик для оценки?

Для задач с однозначным ответом (суммаризация, перевод) достаточно ROUGE и BERTScore. Для свободной генерации (креативные тексты, письма) необходим LLM-судья. Если у вас RAG-пайплайн, добавьте метрики полноты контекста и точности ретривера. Всегда калибруйте пороги на репрезентативном датасете — мы используем кросс-валидацию по 5 фолдам.

Почему LLM-as-judge не всегда побеждает reference-метрики?

Исследования и наш опыт на 15+ проектах показывают, что LLM-судья может быть нестабилен: до 20% оценок меняются при повторном прогоне. Reference-метрики детерминированы и в 80% случаев коррелируют с человеческой оценкой для чётких задач. Но для творческих заданий (написание писем, креатив) LLM-судья незаменим. Наш подход — гибрид: для суммаризации 50% ROUGE + 30% BERTScore + 20% LLM-judge; для RAG — 40% метрики ретривера + 30% BERTScore + 30% LLM-judge.

Как мы строим пайплайн оценки промптов: кейс fintech

Клиент — fintech-компания с ботом на базе GPT-4o. Мы внедрили систему оценки за 3 недели. Ключевые этапы:

1. Сбор датасета — 500 пар вопрос-ответ, размеченных экспертами (средний балл 4.2/5).
2. Выбор метрик — выбрали BERTScore (взвешенный) и LLM-judge с критериями "точность", "полнота", "безопасность".
3. Реализация — обернули в Python-классы (см. код ниже). Использовали Hugging Face Transformers для BERTScore, vLLM для low-latency инференса судьи.
4. Регрессионные тесты — каждый коммит с изменением промпта запускает прогон на 100 примерах (CI/CD). Порог деградации — 5%.

Результат: время валидации нового промпта сократилось с 2 дней до 15 минут. Доля регрессий, пойманных до релиза — 97%. Окупаемость инвестиций составила 3-4 месяца.

from abc import ABC, abstractmethod from dataclasses import dataclass from typing import Callable @dataclass class EvalResult: score: float # 0-1 passed: bool details: dict class BaseEvaluator(ABC): @abstractmethod def evaluate(self, input: str, output: str, expected: str = None) -> EvalResult: pass class LLMJudgeEvaluator(BaseEvaluator): """LLM-as-judge для субъективных задач""" def __init__(self, judge_model: str = "gpt-4o", criteria: list[str] = None): self.model = judge_model self.criteria = criteria or ["accuracy", "relevance", "conciseness"] def evaluate(self, input: str, output: str, expected: str = None) -> EvalResult: criteria_str = "\n".join(f"- {c}" for c in self.criteria) prompt = f"""Evaluate the following AI response on these criteria: {criteria_str} User input: {input} AI response: {output} {f'Expected answer: {expected}' if expected else ''} For each criterion, provide a score 1-5 and brief reasoning. Respond with JSON: {{"scores": {{{{"criterion": score}}}}, "overall": 0-1, "reasoning": "..."}}""" response = self.llm_client.complete(prompt) result = json.loads(response) return EvalResult( score=result['overall'], passed=result['overall'] >= 0.7, details=result ) class RougeEvaluator(BaseEvaluator): """Reference-based метрика ROUGE""" def evaluate(self, input: str, output: str, expected: str) -> EvalResult: from rouge_score import rouge_scorer scorer = rouge_scorer.RougeScorer(['rouge1', 'rouge2', 'rougeL']) scores = scorer.score(expected, output) rouge_l = scores['rougeL'].fmeasure return EvalResult( score=rouge_l, passed=rouge_l >= 0.4, details={"rouge1": scores['rouge1'].fmeasure, "rouge2": scores['rouge2'].fmeasure, "rougeL": rouge_l} ) class BERTScoreEvaluator(BaseEvaluator): def evaluate(self, input: str, output: str, expected: str) -> EvalResult: from bert_score import score P, R, F1 = score([output], [expected], lang='en', model_type='microsoft/deberta-xlarge-mnli') bert_f1 = float(F1[0]) return EvalResult(score=bert_f1, passed=bert_f1 >= 0.85, details={"f1": bert_f1}) 

class CompositeEvaluator: def __init__(self, evaluators: list[tuple[BaseEvaluator, float]]): """evaluators: [(evaluator, weight), ...]""" self.evaluators = evaluators def evaluate_prompt(self, prompt_version: str, test_cases: list[dict]) -> dict: results = [] for case in test_cases: rendered = render_prompt(prompt_version, case['input_variables']) output = llm_call(rendered) case_scores = {} for evaluator, weight in self.evaluators: result = evaluator.evaluate( input=case.get('input', ''), output=output, expected=case.get('expected') ) case_scores[type(evaluator).__name__] = { 'score': result.score, 'weight': weight, 'passed': result.passed } weighted_score = sum( v['score'] * v['weight'] for v in case_scores.values() ) results.append({'case': case, 'output': output, 'scores': case_scores, 'weighted': weighted_score}) return { 'mean_score': np.mean([r['weighted'] for r in results]), 'pass_rate': np.mean([all(s['passed'] for s in r['scores'].values()) for r in results]), 'results': results } # Использование evaluator = CompositeEvaluator([ (LLMJudgeEvaluator(criteria=["accuracy", "helpfulness"]), 0.5), (RougeEvaluator(), 0.3), (BERTScoreEvaluator(), 0.2), ]) score = evaluator.evaluate_prompt("summarization-v3", test_cases) print(f"Overall score: {score['mean_score']:.3f}, Pass rate: {score['pass_rate']:.2%}") 

def check_for_regression(new_score: float, baseline_score: float, threshold: float = 0.05) -> bool: """Возвращает True если регрессия обнаружена""" relative_change = (new_score - baseline_score) / baseline_score if relative_change < -threshold: print(f"REGRESSION: score dropped {abs(relative_change):.1%}") return True return False 

Процесс внедрения: этапы, сроки, результат

Что вы получаете

• Код оценщиков и регрессионных тестов (Python, с комментариями)
• Docker-образ для воспроизводимости
• Конфигурационные файлы для порогов метрик
• Инструкция по добавлению новых кейсов
• 3-месячная поддержка после внедрения

LLM evaluation и MLOps evaluation — наши ключевые компетенции. Интегрируем eval-пайплайн в ваш существующий workflow без перестройки архитектуры.

Типичные ошибки при автоматической оценке промптов

• Использовать только одну метрику. Например, опора на ROUGE при работе с синонимами даёт ложные регрессии. Наш гибридный подход снижает этот риск на 60%.
• Калибровать пороги на одном датасете. Мы используем кросс-валидацию по 5 фолдам, чтобы избежать переобучения под конкретные примеры.
• Игнорировать безопасность. Вредоносные промпт-инъекции не ловятся стандартными метриками — добавляем отдельный LLM-оценщик с критерием "safe" и долей 10–15%.

Опираемся на 5+ лет опыта в NLP и prompt engineering. Гарантируем, что система выявит не менее 95% регрессий до попадания в продакшен. Свяжитесь с нами — оценим ваш промпт и предложим оптимальный набор метрик. Получите консультацию бесплатно.