ChainForge 是一个数据流提示工程环境，用于分析和评估 LLM 响应。它旨在对提示、聊天响应和响应质量进行早期、快速而直接的探索，而不仅仅是与个别 LLM 的临时聊天。使用 ChainForge，你可以：
- 一次查询多个 LLM，快速有效地测试提示的想法和变化。
- 比较不同提示排列、不同模型和不同模型设置的响应质量，以选择最适合你的用例的提示和模型。
- 设置评估指标（评分函数）并立即可视化提示、提示参数、模型和模型设置的结果。
- 跨模板参数和聊天模型同时进行多个对话。模板不仅仅是提示，还包括后续聊天消息，并在每次聊天对话时检查和评估输出。
ChainForge 附带了许多示例评估流程，让你了解可能性，其中包括根据 OpenAI 评估中的基准生成的 188 个示例流程。
ChainForge 的一个关键目标是促进提示和模型的比较和评估。基本特点是：
- 提示排列：设置提示模板并向其提供输入变量的变体。ChainForge 将提示所有选定的 LLM 以及输入提示的所有可能排列，以便你可以更好地感受到提示质量。你还可以以任意深度链接提示模板（例如，比较模板）。
- 聊天轮流：超越提示和模板后续聊天消息，就像提示一样。你可以测试用户查询的措辞如何改变 LLM 的输出，或者比较多个聊天模型（或具有不同设置的相同聊天模型！）的后续响应的质量。
- 模型设置：更改支持的模型的设置，并比较不同的设置。例如，你可以通过添加多个 ChatGPT 模型、更改单个设置以及给每个模型起昵称来衡量系统消息对 ChatGPT 的影响。ChainForge 将向模型的每个版本发送查询。
- 评估节点：探测链中的 LLM 响应并（经典地）测试它们的某些所需行为。从根本上讲，这是基于 Python 脚本的。计划在不久的将来为常见用例添加预设评估器节点（例如，名称实体识别）。注意，你还可以将 LLM 响应链接到提示模板中，以帮助在更广泛的评估方法之前以较低的成本评估输出。
- 可视化节点：在分组盒须图（对于 numeric metrics）和直方图（对于 boolean metrics）等图上可视化评估结果。目前仅支持 numeric 和 boolean metrics。目标是在未来为用户提供更多的绘图控制和选项。
总而言之，这些功能可让你轻松：
- 比较提示和提示参数：选择能够最大化你的评估目标指标（例如，最低代码错误率）的最佳提示集。或者，了解更改提示模板中的参数如何影响响应的质量。
- 跨模型比较：跨模型和不同模型设置比较每个提示的响应。
