搜索结果：evaluation（8 个）
按分类缩小范围
opik
综合 82
LLM 应用、RAG 和 Agent 工作流的调试评估与监控平台，提供全链路追踪、自动化评测和生产级仪表盘。
mlflow
综合 82
面向 agent、LLM 和 ML 模型的开源 AI 工程平台，支持调试、评估、监控和优化生产级 AI 应用。
bisheng
综合 81
开源企业级 Agent 平台，融合 AI Agent、工作流、RAG 与知识库管理，用于构建和部署 AI 应用。
promptfoo
综合 80
用于测试 Prompt、Agent 与 RAG 的 AI 红队渗透测试工具，可对比 GPT、Claude、DeepSeek 等模型性能。
deepeval
综合 70
专为大语言模型打造的 LLM 测试与评估框架。
phoenix
综合 67
专为 AI 应用打造的可观测性与评估分析平台。
ragas
综合 64
专为 LLM 应用打造的自动化评估与测试框架。
lm-evaluation-harness
综合 52
用于语言模型少样本（few-shot）评估的测试框架。