如何获取实验的性能指标

实验、项目与会话

追踪项目和实验在我们的后端中使用相同的基础数据结构，该结构称为“会话”（session）。

您可能会在我们的文档中交替看到这些术语，但它们均指向同一底层数据结构。

我们正在努力统一文档和 API 中的术语。

当您使用 Python 或 TypeScript SDK 运行实验时，可通过 evaluate 执行实验，并使用 read_project/readProject 方法获取该实验的性能指标。

实验详情的有效载荷包含以下值：

{
  "start_time": "2024-06-06T01:02:51.299960",
  "end_time": "2024-06-06T01:03:04.557530+00:00",
  "extra": {
    "metadata": {
      "git": {
        "tags": null,
        "dirty": true,
        "branch": "ankush/agent-eval",
        "commit": "...",
        "repo_name": "...",
        "remote_url": "...",
        "author_name": "Ankush Gola",
        "commit_time": "...",
        "author_email": "..."
      },
      "revision_id": null,
      "dataset_splits": ["base"],
      "dataset_version": "2024-06-05T04:57:01.535578+00:00",
      "num_repetitions": 3
    }
  },
  "name": "SQL Database Agent-ae9ad229",
  "description": null,
  "default_dataset_id": null,
  "reference_dataset_id": "...",
  "id": "...",
  "run_count": 9,
  "latency_p50": 7.896,
  "latency_p99": 13.09332,
  "first_token_p50": null,
  "first_token_p99": null,
  "total_tokens": 35573,
  "prompt_tokens": 32711,
  "completion_tokens": 2862,
  "total_cost": 0.206485,
  "prompt_cost": 0.163555,
  "completion_cost": 0.04293,
  "tenant_id": "...",
  "last_run_start_time": "2024-06-06T01:02:51.366397",
  "last_run_start_time_live": null,
  "feedback_stats": {
    "cot contextual accuracy": {
      "n": 9,
      "avg": 0.6666666666666666,
      "values": {
        "CORRECT": 6,
        "INCORRECT": 3
      }
    }
  },
  "session_feedback_stats": {},
  "run_facets": [],
  "error_rate": 0,
  "streaming_rate": 0,
  "test_run_number": 11
}

从此处，您可以提取以下性能指标：

• latency_p50：第50百分位延迟（单位：秒）。
• latency_p99：第99百分位延迟（单位：秒）。
• total_tokens：所使用的总令牌数。
• prompt_tokens：所使用的提示词（prompt）标记数量。
• completion_tokens：所使用的补全令牌数量。
• total_cost: 实验的总成本。
• prompt_cost: 提示词（prompt）令牌的成本。
• completion_cost: 完成令牌的成本。
• feedback_stats: 该实验的反馈统计信息。
• error_rate: 该实验的错误率。
• first_token_p50：生成首个令牌（若启用流式传输）的延迟时间的第50百分位数。
• first_token_p99：生成首个令牌（token）所需时间的第99百分位延迟（若使用流式传输）。

以下是使用 Python 和 TypeScript SDK 获取实验性能指标的示例。

首先，作为前提条件，我们将创建一个简单的数据集。此处仅以 Python 为例进行演示，但您也可以使用 TypeScript 实现相同操作。 请参阅评估指南了解详细信息。

from langsmith import Client

client = Client()

# Create a dataset

dataset_name = "HelloDataset"
dataset = client.create_dataset(dataset_name=dataset_name)
examples = [
  {
    "inputs": {"input": "Harrison"},
    "outputs": {"expected": "Hello Harrison"},
  },
  {
    "inputs": {"input": "Ankush"},
    "outputs": {"expected": "Hello Ankush"},
  },
]
client.create_examples(dataset_id=dataset.id, examples=examples)

接下来，我们将创建一个实验，从 evaluate 的执行结果中获取实验名称，然后获取该实验的性能指标。

Python

from langsmith.schemas import Example, Run

dataset_name = "HelloDataset"

def foo_label(root_run: Run, example: Example) -> dict:
  return {"score": 1, "key": "foo"}

from langsmith import evaluate

results = evaluate(
  lambda inputs: "Hello " + inputs["input"],
  data=dataset_name,
  evaluators=[foo_label],
  experiment_prefix="Hello",
)

resp = client.read_project(project_name=results.experiment_name, include_stats=True)

print(resp.json(indent=2))

TypeScript

import { Client } from "langsmith";
import { evaluate } from "langsmith/evaluation";
import type { EvaluationResult } from "langsmith/evaluation";
import type { Run, Example } from "langsmith/schemas";

// Row-level evaluator
function fooLabel(rootRun: Run, example: Example): EvaluationResult {
return {score: 1, key: "foo"};
}

const client = new Client();

const results = await evaluate((inputs) => {
return { output: "Hello " + inputs.input };
}, {
data: "HelloDataset",
experimentPrefix: "Hello",
evaluators: [fooLabel],
});

const resp = await client.readProject({ projectName: results.experimentName, includeStats: true })
console.log(JSON.stringify(resp, null, 2))