检索扎根性判断

评估者RetrievalGroundedness 判断您的应用程序响应是否由所提供的背景信息（无论是来自 RAG 系统，还是通过工具调用生成）提供事实支持，从而协助发现未被该背景信息支持的幻觉或声明。 此内置 LLM 法官旨在评估需要确保响应以检索到的信息为基础的 RAG 应用程序。

有关 API 的详细信息，请参阅 MLflow 文档。

有关详细文档和其他示例，请参阅 MLflow RetrievalGroundedness 文档。

运行示例的先决条件

  1. 安装 MLflow 和所需的包。

    %pip install --upgrade "mlflow[databricks]>=3.4.0"
dbutils.library.restartPython()

  2. 请按照设置环境快速入门创建 MLflow 试验。

用法示例

可以直接调用RetrievalGroundedness评估组件进行单一跟踪评估，也可以与 MLflow 的评估框架一起使用进行批量评估。

要求：

  • 跟踪要求：
    • MLflow 跟踪必须至少包含一个将 span_type 设置为 RETRIEVER 的跨度
    • inputs 和 outputs 必须位于跟踪的根跨度上

直接调用

from mlflow.genai.scorers import retrieval_groundedness
import mlflow

# Get a trace from a previous run
trace = mlflow.get_trace("<your-trace-id>")

# Assess if the response is grounded in the retrieved context
feedback = retrieval_groundedness(trace=trace)
print(feedback)

使用 evaluate() 进行调用

import mlflow
from mlflow.genai.scorers import RetrievalGroundedness

# Evaluate traces from previous runs
results = mlflow.genai.evaluate(
    data=traces,  # DataFrame or list containing trace data
    scorers=[RetrievalGroundedness()]
)

RAG 示例

下面是一个完整的示例，演示如何创建 RAG 应用程序并评估响应是否以检索到的上下文为基础：

  1. 初始化 OpenAI 客户端以连接到 OpenAI 托管的 LLM。

    OpenAI 托管的 LLM

    使用本地 OpenAI SDK 连接到由 OpenAI 托管的模型。 从 可用的 OpenAI 模型中选择一个模型。

    import mlflow
import os
import openai

# Ensure your OPENAI_API_KEY is set in your environment
# os.environ["OPENAI_API_KEY"] = "<YOUR_API_KEY>" # Uncomment and set if not globally configured

# Enable auto-tracing for OpenAI
mlflow.openai.autolog()

# Set up MLflow tracking to Databricks
mlflow.set_tracking_uri("databricks")
mlflow.set_experiment("/Shared/docs-demo")

# Create an OpenAI client connected to OpenAI SDKs
client = openai.OpenAI()

# Select an LLM
model_name = "gpt-4o-mini"

  2. 定义和评估 RAG 应用程序：

    from mlflow.genai.scorers import RetrievalGroundedness
from mlflow.entities import Document
from typing import List

# Define a retriever function with proper span type
@mlflow.trace(span_type="RETRIEVER")
def retrieve_docs(query: str) -> List[Document]:
    # Simulated retrieval based on query
    if "mlflow" in query.lower():
        return [
            Document(
                id="doc_1",
                page_content="MLflow is the largest open source AI engineering platform for agents, LLMs, and ML models.",
                metadata={"source": "mlflow_docs.txt"}
            ),
            Document(
                id="doc_2",
                page_content="MLflow provides tools for experiment tracking, model packaging, and deployment.",
                metadata={"source": "mlflow_features.txt"}
            )
        ]
    else:
        return [
            Document(
                id="doc_3",
                page_content="Machine learning involves training models on data.",
                metadata={"source": "ml_basics.txt"}
            )
        ]

# Define your RAG app
@mlflow.trace
def rag_app(query: str):
    # Retrieve relevant documents
    docs = retrieve_docs(query)
    context = "\n".join([doc.page_content for doc in docs])

    # Generate response using LLM
    messages = [
        {"role": "system", "content": f"Answer based on this context: {context}"},
        {"role": "user", "content": query}
    ]

    response = client.chat.completions.create(
        # This example uses Databricks hosted Claude.  If you provide your own OpenAI credentials, replace with a valid OpenAI model e.g., gpt-4o, etc.
        model=model_name,
        messages=messages
    )

    return {"response": response.choices[0].message.content}

# Create evaluation dataset
eval_dataset = [
    {
        "inputs": {"query": "What is MLflow used for?"}
    },
    {
        "inputs": {"query": "What are the main features of MLflow?"}
    }
]

# Run evaluation with RetrievalGroundedness scorer
eval_results = mlflow.genai.evaluate(
    data=eval_dataset,
    predict_fn=rag_app,
    scorers=[
        RetrievalGroundedness(
            model="databricks:/databricks-gpt-oss-120b",  # Optional. Defaults to custom Databricks model.
        )
    ]
)

选择赋予法官权力的 LLM

默认情况下，此法官使用 Databricks 托管的 LLM 来执行 GenAI 质量评估。 可以通过在法官定义中使用model参数来更改评判模型。 必须以格式 <provider>:/<model-name>指定模型，其中 <provider> 与 LiteLLM 兼容的模型提供程序。 如果使用 databricks 模型提供程序，则模型名称与服务终结点名称相同。

可以通过提供不同的评价模型来定制评审：

from mlflow.genai.scorers import RetrievalGroundedness

# Use a different judge model
groundedness_judge = RetrievalGroundedness(
    model="databricks:/databricks-gpt-5-mini"  # Or any LiteLLM-compatible model
)

# Use in evaluation
eval_results = mlflow.genai.evaluate(
    data=eval_dataset,
    predict_fn=rag_app,
    scorers=[groundedness_judge]
)

解释结果

法官返回一个 Feedback 对象，其中包含：

  • value：如果响应已停止，则为“是”;如果响应包含幻觉，则为“否”
  • rationale：详细说明用于标识：
    • 上下文支持哪些语句
    • 哪些陈述缺乏支持（幻觉）
    • 支持或矛盾声明的上下文中的特定引文

后续步骤

  • Last updated on