Интеграция Promptfoo для автоматического тестирования промптов

Вы обновили промпт для поддержки нового формата ответа, а через неделю модель начала галлюцинировать на простых запросах — точность упала на 30%. Каждое изменение промпта может незаметно сломать сценарии, которые работали годами. В одном проекте изменение одного слова в промпте снизило точность на 30% и потребовало недели ручного тестирования, чтобы отловить регрессию. Мы используем Promptfoo, чтобы за пару дней построить автоматическое регрессионное тестирование и навсегда забыть о таких сюрпризах. Promptfoo позволяет выполнять тестирование в 5 раз быстрее ручного и даёт объективные метрики, такие как LLM-rubric, ROUGE-N и contains-any, вместо субъективной оценки. Это открытое CLI-приложение с десятками типов assert'ов, которое интегрируется в любой CI/CD-пайплайн.

Наши инженеры выполнили 40+ проектов по интеграции LLM, и во всех случаях использование Promptfoo сократило время на выявление регрессий с недели до нескольких минут. Мы настраиваем тесты под конкретные сценарии: проверяем наличие обязательных фраз, отсутствие запрещённых слов, сравниваем ответы моделей и измеряем сходство с эталоном через эмбеддинги. В результате вы получаете прозрачный процесс, где каждый PR проверяется автоматически, а качество промптов контролируется метриками.

Какие проблемы решаем

• Регрессии после изменений промпта: новое условие может нарушить работу на других кейсах. Promptfoo прогоняет сотни тестов за секунды.
• Нестабильность моделей: поставщик обновил модель, и она начала выдавать другой формат. Тесты ловят это до деплоя.
• Субъективная оценка: вместо «кажется, отвечает хорошо» — объективные метрики (contains, LLM-rubric, ROUGE).
• Отсутствие CI/CD для промптов: разработку ведут без контроля качества — это как коммитить без юнит-тестов.
• RAG-сценарии: проверка корректности извлечения и релевантности ответа на основе векторного поиска.
• QA для AI: гарантия, что модель не выдаёт некорректные или unsafe ответы в production.

Почему регрессионное тестирование промптов критично?

LLM — вероятностные системы. Одно слово в промпте может изменить всю семантику ответа. Без автоматических тестов вы выпускаете изменения вслепую. Promptfoo даёт гарантию, что старые сценарии продолжают работать, а новые не ломают существующую логику. Это особенно важно в production-системах с тысячами запросов в день. Согласно официальной документации, Promptfoo is an open-source tool for evaluating and testing LLM prompts. Он зарекомендовал себя в проектах с объёмом до 10 тысяч запросов в сутки.

Как мы настраиваем Promptfoo под ваши задачи?

Мы начинаем с аудита текущих промптов: собираем все используемые шаблоны, выделяем ключевые сценарии и пишем тест-кейсы с expect'ами. Типичный конфиг выглядит так:

providers:
  - openai:gpt-4o
  - openai:gpt-4o-mini
  - anthropic:claude-3-5-sonnet-20241022

prompts:
  - "Summarize the following text in 3 sentences: {{text}}"
  - "Create a concise 3-sentence summary of: {{text}}"

tests:
  - vars:
      text: "Long article about machine learning..."
    assert:
      - type: contains
        value: "machine learning"
      - type: llm-rubric
        value: "The summary is accurate and covers the main points"
      - type: javascript
        value: "output.split('.').length >= 3"

  - vars:
      text: "Another test document..."
    assert:
      - type: not-contains
        value: "I cannot"
      - type: rouge-n
        value: reference_summary
        threshold: 0.5

Мы используем не все assert'ы подряд, а только те, что реально нужны. Часто добавляем кастомные проверки через JavaScript: например, что ответ содержит ровно 3 пункта в markdown. Это даёт 100% уверенность в формате вывода.

Как интегрировать Promptfoo в CI/CD?

Достаточно добавить одну команду в ваш workflow:

promptfoo eval --ci

GitHub Actions пример:

- name: Run prompt tests
  run: npx promptfoo eval --ci

Если тест падает, CI завершается с ошибкой — PR не мержится. Мы также настраиваем автоматический просмотр отчёта через promptfoo view, чтобы команда видела дифф между версиями промптов.

Что входит в работу

• Аудит текущих промптов и выделение критичных сценариев.
• Написание 10–50 тест-кейсов с assert'ами под ваши метрики.
• Конфигурация Promptfoo и настройка провайдеров.
• Интеграция в CI/CD (GitHub Actions, GitLab CI) с уведомлениями.
• Документация и обучение команды: как добавлять новые тесты и интерпретировать результаты.

Процесс работы

1. Анализ промптов — собираем текущие шаблоны, выявляем критичные кейсы (до 2 часов).
2. Проектирование тестов — пишем 10–50 тест-кейсов с assert'ами под ваши метрики.
3. Реализация — создаём конфигурацию Promptfoo, настраиваем провайдеров и переменные.
4. Тестирование — запускаем eval, фиксим упавшие тесты, уточняем требования.
5. Деплой в CI/CD — добавляем шаг в пайплайн, настраиваем уведомления.

Сроки

Работы занимают от 3 до 7 дней в зависимости от количества промптов и сложности assert'ов. Стоимость рассчитывается индивидуально после аудита. Получите бесплатную консультацию — оценим ваш проект за один день.

Чек-лист: что проверить в тестах промптов

Сравнение Promptfoo с ручным тестированием

import promptfoo

results = promptfoo.evaluate({
    "prompts": ["Classify sentiment: {{text}}"],
    "providers": ["openai:gpt-4o-mini"],
    "tests": [
        {
            "vars": {"text": "Great product!"},
            "assert": [{"type": "contains", "value": "positive"}]
        }
    ]
})

print(f"Pass rate: {results.stats.successes}/{results.stats.total}")

Наши инженеры с 5+ летним опытом в AI/ML выполнили 40+ проектов по интеграции LLM. Мы гарантируем, что тестовое покрытие будет поддерживаться и расширяться под ваши задачи. Promptfoo — не единственный инструмент в стеке, но для регрессионного тестирования промптов он наиболее гибок и прост в интеграции.

Закажите консультацию — мы покажем, как Promptfoo встраивается в ваш существующий workflow, и оценим объём работы за один день. Подход «под ключ»: от тест-кейсов до CI/CD, с документацией и обучением команды. Получите бесплатный аудит промптов — свяжитесь с нами!

MLOps: инфраструктура для обучения, деплоя и мониторинга ML-моделей

Модель обучена, метрики — F1 0.94 на валидации. Через три месяца в продакшене качество падает на 12%. Никто не знает, когда именно — нет мониторинга. Нельзя быстро переобучить — обучающий скрипт лежит в Jupyter-ноутбуке у data scientist’а, который уже уволился. Данные для ретрейна собирают руками из трёх разрозненных систем. Примерно половина проектов приходят к нам с этой болью. Мы строим MLOps платформу под ключ: от трекинга экспериментов до автоматического деплоя и мониторинга дрейфа данных. Оценим вашу инфраструктуру за 1–2 недели, а через 4–6 недель вы получите базовое ядро MLOps, работающее в продуктивном контуре. Наша команда — 10+ лет опыта в ML-инфраструктуре, более 50 внедрений.

Experiment tracking и воспроизводимость

Без трекинга ML-проект превращается в хаос: непонятно, какой чекпоинт лучше, какие гиперпараметры использовались, какой датасет. Воспроизвести результат через месяц — квест.

MLflow — open source стандарт для трекинга. Логирует параметры, метрики, артефакты (модели, графики) и код. MLflow Model Registry — централизованное хранилище моделей с версионированием и lifecycle stages (Staging → Production → Archived). Деплой через MLflow Serving или интеграция с внешними системами.

Типичная инициализация в коде:

import mlflow

mlflow.set_experiment("fraud-detection-v2")
with mlflow.start_run():
    mlflow.log_params({"learning_rate": 3e-4, "batch_size": 64, "epochs": 10})
    mlflow.log_metric("val_f1", val_f1, step=epoch)
    mlflow.pytorch.log_model(model, "model")

Это минимум. В production добавляем логирование системных метрик (GPU utilization, memory), датасета (hash, версия), кода (git commit hash). Weights & Biases — более богатый UI, collaboration features, sweep для hyperparameter optimization. MLflow — для on-premise deployment без внешних зависимостей.

DVC (Data Version Control) — версионирование данных и моделей поверх git. Данные хранятся в S3/GCS/Azure Blob, в git — только метаданные (хэши). dvc repro воспроизводит весь пайплайн от сырых данных до метрик.

Как обеспечить воспроизводимость обучения? Фиксируйте random seeds (torch.manual_seed, numpy.random.seed, random.seed) и записывайте их в метаданные эксперимента. Без этого дебаггинг нерегулярных результатов — боль. Логируйте версию датасета (DVC hash) и git commit — тогда любой эксперимент можно повторить с точностью до байта.

Оркестрация пайплайнов: Kubeflow, Airflow, Prefect

Когда нужен оркестратор пайплайнов? Скрипт обучения на 100 строк в cron — нормально для простых задач. Но как только появляется multi-step пайплайн (загрузка данных → preprocessing → feature engineering → обучение → валидация → деплой если качество выше порога), нужен оркестратор с retry-логикой, визуализацией, алертами.

Kubeflow — Kubernetes-native оркестратор для ML (см. Wikipedia). Каждый шаг — Docker-контейнер. Поддерживает параллельные шаги, условные ветки, артефакты между шагами. Интегрируется с Katib (AutoML), KServe (serving), Feast (feature store).

Apache Airflow — более общий DAG-оркестратор. Широкая экосистема операторов (S3, Spark, DBT, Kubernetes). Проще развернуть, если уже есть Airflow в компании.

Prefect / Metaflow — меньше boilerplate. Prefect 2.x с декораторами @flow и @task — быстрый старт для небольших команд.

Типичная архитектура обучающего пайплайна на Kubeflow:

1. Data ingestion component — забирает данные из S3/БД, валидирует схему через Great Expectations
2. Preprocessing component — трансформации, normalization, train/val/test split
3. Training component — обучение на GPU, логирование в MLflow
4. Evaluation component — вычисление метрик, сравнение с baseline в Model Registry
5. Conditional deployment — деплой только если новая модель лучше текущей на >2% F1

Каждый component — отдельный Docker-образ. Пайплайн версионируется в git. Запуск по расписанию (ретрейнинг раз в неделю на новых данных) или вручную.

Model Registry и управление жизненным циклом

Model Registry — не просто хранилище чекпоинтов. Это централизованная система, которая знает:

• Какая модель сейчас в продакшене (и с какими метриками)
• История всех версий с параметрами обучения
• Метаданные: датасет, git commit, результаты валидации
• Lifecycle stage: None → Staging → Production → Archived

MLflow Model Registry — стандарт. Для enterprise — Vertex AI Model Registry (GCP), SageMaker Model Registry (AWS), Azure ML Model Registry.

Продвижение модели через стейджи: автоматически переводим модель в Staging после успешного прохождения eval, затем ручное или автоматическое (при A/B тесте) продвижение в Production. Rollback — переключение на предыдущую Production-версию за секунды.

Serving: от FastAPI до Triton Inference Server

Простой случай. FastAPI + PyTorch/ONNX на одном сервере — 80% production ML deployments именно так. Достаточно для большинства задач с нагрузкой до 100 req/s.

from fastapi import FastAPI
import onnxruntime as ort

app = FastAPI()
session = ort.InferenceSession("model.onnx", providers=["CUDAExecutionProvider"])

@app.post("/predict")
async def predict(request: PredictRequest):
    inputs = preprocess(request.text)
    outputs = session.run(None, {"input_ids": inputs})
    return {"label": postprocess(outputs)}

Triton Inference Server — production-стандарт для высоких нагрузок (500+ req/s). Dynamic batching, concurrent model execution, model ensemble. Поддерживает TensorRT, ONNX, PyTorch TorchScript, TensorFlow SavedModel.

KServe — Kubernetes-native ML serving с autoscaling, canary deployments, A/B testing из коробки. Scale-to-zero для неактивных моделей — экономия на инфраструктуре до 40% (более 1.2 млн рублей в год для проекта с 10 моделями).

Мониторинг: data drift, model drift, инфраструктурные метрики

Мониторинг — то, что обычно делают в последнюю очередь и о чём жалеют в первую. Три уровня.

Инфраструктурный мониторинг. Latency (P50/P95/P99), throughput (req/s), error rate (4xx, 5xx), GPU/CPU utilization. Prometheus + Grafana — стандарт. Алерт при P99 latency > threshold или error rate > 1%.

Data drift мониторинг. Распределение входных данных меняется со временем. Детектируем через PSI (Population Stability Index) для числовых признаков: PSI > 0.2 — сильный дрейф. Chi-squared test для категориальных, Kolmogorov-Smirnov test для непрерывных. Evidently AI — open source библиотека с готовыми дрейф-тестами.

Model drift мониторинг. Если есть ground truth с задержкой (например, через неделю знаем конверсию) — мониторим реальные метрики. Если нет — surrogate метрики: распределение prediction scores, доля confident predictions.

Alerting. Три уровня: INFO (небольшой дрейф, логируем), WARNING (значимый, уведомляем команду), CRITICAL (качество упало ниже порога — автоматическое переключение на fallback-модель).

Почему важен мониторинг дрейфа данных? Без него вы узнаёте о деградации модели только по жалобам пользователей или звенящему SLA. Алерт о дрейфе позволяет переобучить модель заранее, до того как ошибки начнут приносить убытки. В одном из наших проектов мониторинг PSI выявил дрейф через 2 дня после изменения источника данных — это спасло кампанию с бюджетами на 2 млн рублей.

Feature Store

Feature Store решает проблему training-serving skew. Если preprocessing во время обучения и инференса реализован в двух разных местах — расхождение неизбежно.

Когда нужен Feature Store?

• Несколько моделей используют одни и те же признаки
• Признаки вычисляются из потоковых данных (real-time)
• Большая команда с разными людьми на feature engineering и model training

Feast — open source Feature Store. Офлайн store (S3 + Parquet) для обучения, онлайн store (Redis, DynamoDB) для low-latency инференса. Feature definitions как код, materialization job синхронизирует офлайн → онлайн.

Tecton (коммерческий), Vertex AI Feature Store (GCP), SageMaker Feature Store (AWS) — managed варианты с меньшим ops overhead.

CI/CD для ML

ML CI/CD — обычный CI/CD плюс специфичные ML-шаги.

ML-специфичные checks в CI:

• Проверка воспроизводимости: запустить обучение с фиксированным seed, результат должен совпадать
• Data validation: Great Expectations или Pandera на schema/distribution checks
• Model performance check: автоматический eval на holdout, блокировать merge если деградация > порога
• Latency regression test: inference должен укладываться в SLA

GitOps для деплоя. Merge в main → CI запускает обучение → eval → если проходит → автоматический деплой в Staging → smoke tests → ручное продвижение в Production или автоматическое при успешном canary.

Инструменты: GitHub Actions / GitLab CI для CI, ArgoCD для GitOps-деплоя на Kubernetes.

Что входит в разработку MLOps-платформы

Мы предоставляем полный цикл работ, документацию и обучение команды.

Итоговый срок от аудита до полноценной MLOps-платформы: 3–5 месяцев. Также возможен поэтапный запуск: базовый уровень (трекинг + serving) за 4–6 недель.

Стоимость рассчитывается индивидуально под объём данных, количество моделей и требования к инфраструктуре. Закажите аудит MLOps-инфраструктуры — получите roadmap за 1–2 недели. Свяжитесь с нами для оценки вашего проекта — мы пришлём предварительный расчёт за 2 рабочих дня.

Обратите внимание: гарантия на архитектурные решения — 12 месяцев. Предоставляем сертификаты интеграции с основными облачными провайдерами (AWS, GCP, Azure). За время работы мы не потеряли ни одного клиента после первого внедрения — опыт 50+ успешных MLOps-проектов говорит сам за себя. Получите консультацию по построению MLOps платформы уже сегодня.