DeepEval 是一个简单易用的开源 LLM 评估框架，用于评估和测试大型语言模型系统。它与 Pytest 类似，但专门用于对 LLM 输出进行单元测试。DeepEval 结合了最新研究成果，基于 G-Eval、幻觉、答案相关性、RAGAS 等指标来评估 LLM 输出，它使用 LLM 和其他各种在本地运行的 NLP 模型进行评估。

无论你的 LLM 应用程序是 RAG pipelines、聊天机器人、AI 代理，还是通过 LangChain 或 LlamaIndex 实现，DeepEval 都能满足你的需求。借助它，你可以轻松确定最佳模型、提示和架构，以改进你的 RAG 管道和代理工作流，防止 prompt drifting，甚至可以自信地从 OpenAI 过渡到托管你自己的 Deepseek R1。

• 以类似于 Pytest 的方式轻松地“单元测试” LLM 输出。
• 即插即用 30 多个 LLM 评估指标，其中大多数都有研究支持。
• 支持端到端和组件级评估。
• 对 RAG、代理、聊天机器人以及几乎任何用例的评估。
• 使用最先进的进化技术生成合成数据集。
• 指标易于定制并涵盖所有用例。
• 红队，安全扫描 LLM 应用程序是否存在安全漏洞。

此外，DeepEval 还有一个云平台Confident AI，允许团队使用 DeepEval在云端进行评估、回归测试、红队和监控LLM 应用程序。