跳到主要内容

Ragas 执行与实验

本章讲底座:评测和测试集生成都要发成百上千次 LLM 请求,Executor 负责把它们并发跑完且不互相拖垮;以及 Ragas 正在用 @experiment 取代 evaluate() 的新范式。

1. 为什么需要一个专门的执行器​

评测 100 条样本 × 4 个指标 = 400 个任务,每个任务里还可能套 2~3 次 LLM 调用。串行跑会等到天荒地老;裸 asyncio.gather 又会一口气打满 API 限流、且一个失败可能拖垮全部。

Executor 解决四件事:限制并发数、单任务失败不影响全局、结果按提交顺序排回、可中途取消。它在 evaluate 和 testset 生成里被反复复用。

2. 主线:submit → 包装 → 并发跑 → 排序还原​

executor.submit(metric.single_turn_ascore, sample, ...)   ← 攒任务
     │  每个任务被 wrap_callable_with_index 包一层:
     │    · 记录提交序号 counter
     │    · try/except: 失败时(默认)吞掉 → 返回 (counter, np.nan)
     ▼
executor.aresults()  /  results()
     │  _process_jobs: 把所有任务转协程,as_completed 限并发跑
     │  (可选 batch_size 分批,带嵌套进度条)
     ▼
sorted(results, key=lambda x: x[0])   ← 按 counter 排回提交顺序
     │
     ▼
[r[1] for r in ...]   ← 剥掉序号,返回纯结果列表

索引是关键。 并发完成顺序是乱的,但调用方要求结果顺序 == 提交顺序。wrap_callable_with_index 给每个任务绑一个 counter,完成时返回 (counter, result)(src/ragas/executor.py:64-86);aresults 最后按 counter 排序再剥掉序号(src/ragas/executor.py:193-202)。evaluate 就是靠这个顺序把结果切回「第 i 行第 j 个指标」(src/ragas/evaluation.py:292-300)。

容错。 wrap_callable_with_index 里,默认 raise_exceptions=False 时把异常记 log 并返回 np.nan,让这一条样本失败不毁掉整批(src/ragas/executor.py:71-84)。这就是为什么调试时要开 raise_exceptions=True。

限并发。 _process_coroutines 用 as_completed(coroutines, max_workers, cancel_check=...) 把并发上限钉在 run_config.max_workers(src/ragas/executor.py:180-191),避免打爆 API。

可取消。 cancel() 置一个 threading.Event,批处理循环每批前检查 is_cancelled()(src/ragas/executor.py:56-62、156-158)。evaluate(..., return_executor=True) 把 executor 还给你,就为了能调 executor.cancel()。

幂等与可复用。 _process_jobs 一进来就把 jobs 拷贝一份再清空原列表,防止重复执行(src/ragas/executor.py:115-117);_jobs_processed 跨多次 run 持续累加,保证索引连续(src/ragas/executor.py:98-103)。

3. nest_asyncio:在 Jupyter 里跑异步的妥协​

Ragas 大量用户在 Jupyter notebook 里用,而 notebook 本身已经有一个跑着的事件循环——这时再 asyncio.run 会报「event loop already running」。

Ragas 的应对是 nest_asyncio(允许事件循环嵌套):同步入口 results() 先 apply_nest_asyncio() 打补丁再 run(src/ragas/executor.py:204-215)。

但 nest_asyncio 在生产异步服务里会引发问题,所以 evaluate 给了 allow_nest_asyncio=False:此时走纯 asyncio.run 新建事件循环,不打补丁(src/ragas/evaluation.py:475-484)。而 aevaluate(纯异步版)从头就不打补丁(src/ragas/evaluation.py:79-82)。这是「兼容 notebook」与「生产安全」之间的取舍。

4. 回调追踪:把一次评测变成一棵 trace 树​

Ragas 复用 LangChain 的回调机制,把每次评测组织成嵌套的 trace 树,便于在 Langfuse / MLflow 等工具里可视化:

ragas evaluation                 (ChainType.EVALUATION)
 └─ row 0                        (ChainType.ROW)
     ├─ faithfulness             (ChainType.METRIC)
     │   ├─ StatementGenerator…  (ChainType.RAGAS_PROMPT)
     │   └─ NLIStatement…        (ChainType.RAGAS_PROMPT)
     └─ answer_relevancy         (ChainType.METRIC)

evaluate 先用 new_group 开顶层评测组,再为每行开 row i 子组,把指标任务 submit 到这个 row 组里(src/ragas/evaluation.py:236-276)。每个指标的 single_turn_ascore 又开自己的 METRIC 组,每次 PydanticPrompt.generate 再开 RAGAS_PROMPT 组(src/ragas/prompt/pydantic_prompt.py:231-236)。层层 new_group 嵌套就长出这棵树。RagasTracer 收集这些 trace 存进 EvaluationResult.ragas_traces(src/ragas/evaluation.py:217-218、324)。

成本核算挂在同一机制上。 传 token_usage_parser 时挂一个 CostCallbackHandler,顺着回调收集 token 用量算钱(src/ragas/evaluation.py:221-225)。

5. 新范式:@experiment 取代 evaluate()​

evaluate() 和 aevaluate() 都已挂 DeprecationWarning,明确指向 @experiment(src/ragas/evaluation.py:447-453、105-111)。理念变了:

evaluate()(旧)@experiment(新)
你给什么已经算好的样本 + 指标列表一个函数:对一行输入,跑你的应用 + 算分
谁跑应用你自己先跑好填进 dataset实验框架在循环里替你跑
产出内存里的 EvaluationResult落盘的 Experiment(可换 backend 存储)
复现靠你自己配 version_experiment 做 git 版本化

用起来什么样(示意,非源码):

# 示意,非源码:@experiment 的形状
from ragas import experiment

@experiment()
async def my_eval(row):
    answer = await my_rag_app(row["question"])   # 跑你自己的应用
    score = await faithfulness.ascore(...)        # 算分
    return {"question": row["question"], "answer": answer, "score": score.value}

result = await my_eval.arun(dataset)   # 逐行跑、收集、落盘

实现很轻。 experiment 是个装饰器工厂,把函数包成 ExperimentWrapper(src/ragas/experiment.py:201-232)。arun 给实验起个可记忆的随机名(memorable_names),为数据集每行建一个协程任务,用 asyncio.as_completed 并发跑,逐个收集进 Experiment 视图,单行失败只打印警告继续,最后 save() 落盘(src/ragas/experiment.py:141-198)。

注意它这里用的是裸 asyncio.as_completed,没用 Executor(没有限并发/索引排序那套)——新范式下并发控制更简单直接,结果顺序也不强求(append 到视图即可)。

git 版本化保证可复现。 version_experiment 用 GitPython 把当前代码状态提交、可选开一个 ragas/<实验名> 分支,返回 commit hash(src/ragas/experiment.py:21-100)。把「这次实验跑的是哪版代码」钉死——评测科学的最后一块拼图。

6. 边界与坑​

  • evaluate/aevaluate 会消失。 现在能用但有弃用警告,新项目应直接上 @experiment。
  • 默认裁判是 gpt-4o-mini + 要 OpenAI key。 没给 LLM 的指标会 new 一个 OpenAI gpt-4o-mini(src/ragas/evaluation.py:174-180,该默认装配位于 aevaluate,evaluate 委托给它)——没配 key 会失败。
  • nest_asyncio 副作用。 在生产异步服务里用 evaluate() 默认值可能搅乱事件循环;务必 allow_nest_asyncio=False 或改用 aevaluate/@experiment。
  • @experiment 容错更松。 它只打印 Warning: Task failed(src/ragas/experiment.py:185-187),失败的行直接不进结果,容易让人没注意到丢了样本。

7. 代码地图​

主题文件关键符号
异步执行器src/ragas/executor.pyExecutor, submit, wrap_callable_with_index, aresults, cancel, run_async_batch
评测装配/编排src/ragas/evaluation.pyevaluate, aevaluate
必需列校验src/ragas/validation.pyvalidate_required_columns, validate_supported_metrics
nest_asyncio 工具src/ragas/async_utils.pyapply_nest_asyncio, run, as_completed, process_futures
回调追踪src/ragas/callbacks.pynew_group, RagasTracer, ChainType
实验范式src/ragas/experiment.pyexperiment, ExperimentWrapper, arun, version_experiment
结果对象src/ragas/dataset_schema.pyEvaluationResult, SingleTurnSample, MultiTurnSample