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. Закажите консультацию.