خلاصه
برای استفاده حرفه‌ای از مدل‌های زبانی بزرگ (LLM) باید همیشه خروجی آن‌ها را ارزیابی کرد. این مقاله چهار شیوه اصلی «دقیق‌بودن، کد، قاضی-LLM و ایمنی» را معرفی و نشان می‌دهد چطور با ابزار n8n این آزمون‌ها را بدون کدنویسی در گردش‌کار خود بگنجانید.
چرا ارزیابی LLM در تولید اهمیت دارد؟
بدون سنجش کیفیت، خروجی LLM نمی‌تواند به مشتری یا سیستم داخلی تحویل شود. ارزیابی مانند دماسنج عمل می‌کند؛ قبل از ورود به خط تولید مطمئن می‌شود همه چیز استاندارد است.
چهار دسته اصلی ارزیابی و کاربرد هرکدام
| دسته | روش‌های رایج | بهترین برای |
|---|---|---|
| تطابق و شباهت | تطبیق دقیق، regex، فاصله لونشتاین، شباهت معنایی | بازتولید متن قرارداد یا مستند فنی |
| کد | اعتبار JSON، درستی نحوی، اجرای تابعی | تولید کد، رابط طبیعی‌زبان ← API |
| قاضی-LLM | مفیدبودن، صحت، واقعی‌بودن | چت‌بات‌های عمومی، پاسخ باز |
| ایمنی | شناسایی PII، تزریق پرامپت، محتوای مضر | برنامه‌های کاربردی در معرض کاربر نهایی |
۱) تطابق و شباهت
وقتی پاسخ صحیح از پیش مشخص است، می‌توان خروجی را با آن مقایسه کرد.
- تطابق دقیق: رشته خروجی باید عین رشته مرجع باشد.
- Regex: وجود الگوی خاص در پاسخ کافی است.
- فاصله لونشتاین: تعداد حذف/جایگزینی برای تبدیل دو رشته به هم.
- شباهت معنایی: بردار کلمات را در فضای ۰–۱ مقایسه می‌کند؛ معنا نزدیک باشد کافی است.
۲) کد
برای مواردی که LLM کد می‌نویسد یا کوئری می‌سازد.
- اعتبار JSON: ساختار دقیق و طرح (schema) رعایت شده باشد.
- درستی نحوی: کد از قوانین زبان پیروی کند.
- درستی تابعی: با اجرا روی داده آزمون، خروجی موردانتظار حاصل شود.
- فرمت: تورفتگی و فاصله‌گذاری استاندارد باشد.
۳) قاضی-LLM
یک LLM مستقل پاسخ را بر اساس معیارهای زیر رتبه‌بندی می‌کند.
- مفیدبودن: آیا پاسخ به سؤال مربوط است؟
- صحت: ادعاها در متن پاسخ با زمینه ارائه‌شده مطابقت دارد؟
- هم‌ارزی SQL: آیا کوئری تولیدشده همان نتیجه مرجع را می‌دهد؟
- واقعی‌بودن: اطلاعات با پاسخ مرجع سازگار است (زیرمجموعه، برابر یا فوق‌مجموعه).
۴) ایمنی
برای محافظت از برنامه در برابر سوء‌استفاده.
- PII: شماره تلفن، ایمیل، کدملی را شناسایی و حذف می‌کند.
- تزریق پرامپت: تلاش برای دورزدن سیستم را کشف می‌کند.
- محتوای مضر: نفرت‌پراکنی، خشونت، آسیب به خود.
اجرای سریع ارزیابی در n8n
n8n ارزیابی را بخشی از گردش‌کار قرار داده؛ با یک تریگر evaluation می‌توان بدون تأثیر روی محیط پروداکشن، نتایج را با شیت Google همگام و نمره‌دهی کرد.
ویژگی‌های کلیدی:
- ارزیابی‌های قطعی (تطابق دقیق، JSON) و مبتنی بر LLM (مفیدبودن، شباهت).
- امکان تعریف معیار سفارشی و فراخوانی زیرگردش‌کار.
- نمودار پیشرفت نسخه‌ها و دلیل تغییر نمره‌ها.
نتیجه‌گیری
با چهار روش ارزیابی ساده و ابزار درون‌ساخت n8n می‌توانید خروجی LLM را از حالت آزمایشگاهی به استاندارد سازمانی برسانید؛ بدون نیاز به کتابخانه جانبی و فقط با کشیدن و رهاکردن در گردش‌کار خود.