在大模型项目激增的背景下，手动调整提示词与模型测评的效率瓶颈日益凸显。本文揭秘一套自研大模型标注平台的实战经验，从动态提示词管理到AI自动测评，深度解析如何通过快捷键标注、多版本对比等创新功能，破解企业级AI应用中的效果验证难题。
因为大模型的项目比较多，调整提示词与模型测评，每次都需要线下脚本跑，非常的繁琐，所以最近忙里抽空，做了大模型标注平台，用于提升项目组的生成效率。系统最近刚上线，跟大家分享下经验以及产品的思考。
先快速说一下这个产品是干啥的，给不是很了解大模型的同学科普一下。
大模型的项目核心就是不稳定，那么针对调整了提示词怎么快速验证提示词的好坏，出了新模型怎么判断要不要新模型？大模型测评系统，就是为了解决这个场景的问题。
我们这个项目主要是大语言模型相关的标注，至于图像标注等领域，不在本次讨论范围内。
为什么要自己做
大模型测评系统，很常见，有很多现成的系统可以选择，为什么自己建设。
很多测评系统与他们已有的业务耦合太深，例如火山的测评系统，模型仅能选择火山平台模型，我们就无法测试
langsmith/langfuse 的测评系统，整体的交互跟设计，测评功能都比较弱，缺失了很多功能，例如动态提示词，多维度标注，支持初标复标的多层次标注，支持标注快捷键自定义，这些功能都没有，导致实际用起来效率很低。所以当前阶段想要好用，就只能自己做一个。
当然期望后续有个类似的开源项目出来，像大模型观测平台的 langfuse 一样，有个强大好用的大模型标注系统，这样大家就不用自己从 0 到 1建设了。
这个是最简单，就是管理这个平台支持哪些大模型，用来兼容不同云厂商，包括公司内部部署的各种模型。
这里有个比较容易忽略的就是并发量，这个用于控制整个平台调用并发量，避免把一些公司内部的模型服务器给打爆了。
用于隔离不同的业务测评场景，每个不同的大模型业务应用，就属于不同的业务场景。从这里去给他做隔离。
每个场景下，需要定义变量类型，定义这个是输入变量还是输出变量。输入变量中，为了兼容不同的场景，需要指定不同的类型（文字、图片、视频、音频等等），用于后续拼接对应的大模型调用参数。
他是基于场景下，设置做不同提示词，这里有个非常特别的点，就是动态提示词功能。我们需要给我们的提示词模板中插入每个测试集中的一些变量。
举个例子，如果是大模型检核的场景，我们需要检查这个用户提供的图片中，是否包含本人的身份证号码。每个测试案例中都会有对应需要检测的身份证号码。
“这个一个点，就是大模型的温度，应该是与提示词绑定的，不同的提示词温度，效果也是不同的。”
基于场景建立不同的测试集，业务侧直接进行维护即可，像公司场景的话，都是大批量数据，所以直接用 excle 导入即可，excle 导入的模板，就是之前在场景中定义的变量，直接导入即可。
单条效果验证
调试效果的时候，调整的时候，很多时候，都是调整特定的几个测试案例，而不是全量重跑，可以在测试集中，加一个快速测评的功能，点击后直接选择提示词版本，单独运此条数据，看看 bad case，是否解决。
这里就会比较简单了，就是选择大模型、选择提示词、选择测试集就可以执行了。然后系统就会进行运行了，这里同时可能会有多个任务一起在跑，所以这个时候，我们在模型配置的并发上限，就会控制一下，避免服务器被打爆。
然后针对评测的结果能够查看数据，直接与之前导入的标准答案/参考答案对照，方便快速复核结果。
快速对比多个版本的结果
测试不是目的，核心是要对比多个任务，可以直接在运行结果页面，做个多个结果的快速对比，这样就可以快速对比差异结果，看看调整后的提示词结果是正向的还是负向的。
初标与复标
针对无标准答案的，就需要进行人工标注了，如果标注任务较多，就会涉及到外包先进行标注，然后高级人员再复核的流程，就需要两轮标注
这个相比传统的 excle，对于业务效率提升最大的地方。需要能够针对大模型的结果，进行快捷键快捷操作，我说下比较好用的快捷键。
使用 tab 用于切换不同的标注项，然后通过数字 1、2、3、4、5 标注具体的内容。 使用 enter、shift enter用于快捷切换上条与下条数据。实际的快捷键，看业务侧顺手，怎么顺手怎么来。
做到这个程度， 基本就够用了，但是从整个标注平台产品设计中，还有一些其他的功能需要进一步迭代。
如果针对有标准答案的，理论上跑完之后，是可以直接出准确性结果的，并且对比多个测试集，是可以出分析报告的。这样的话效果更高。
针对没有标准答案的发散大模型应用场景，如果数据量比较大， 每次执行之后，每个数据都需要人工标注也不太现实，就可以让大模型直接对于结果进行评估，这个时候。
可以让大模型直接基于多个维度评测，然后综合对比结果。如果有参考答案，可以让 AI 直接针对本次答案，进行对比，这样效果会好很多。但是就是需要业务侧提前写好规范的参考答案。
“这里有个坑，就是如果你直接让 AI 打分 1-100，AI 针对具体的分值把握是不好的，最好将维度拆分，拆分不同维度，分别打分1-10，然后再求和，效果会好很多”
这个是硬核的进阶方向，目前的测评流程，仅能测评单次大模型调用，如果测试 Agent ，涉及多次大模型调用，核心需要测试 Agent 成功率、效率等，测评的流程与考核的指标也会更多。
针对大模型应用，搭建一时爽，优化火葬场。如果跟我们一样，是企业级的应用，对于效果有追求，建议尽快搭建自己的大模型测评平台，这样推进起来会快非常多。
如果大家针对测评平台有什么问题或者想要讨论的，欢迎留言。
本文由 @寻走 原创发布于人人都是产品经理。未经作者许可，禁止转载
题图来自Unsplash，基于CC0协议
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。