AI评估在n8n中的应用：历史事件问答验证工作流

评估是一种通过运行包含不同输入的测试数据集来获得AI工作流性能可靠性的技术。通过为每个输入计算指标（分数），您可以查看工作流在哪些方面表现良好，哪些方面表现不佳。

工作原理

此模板展示了如何计算工作流评估指标：输出是否与预期输出匹配（即具有相同的含义）。

该工作流接收有关历史事件原因的问题，并将其与数据集中的参考答案进行比较。

我们使用评估触发器读取数据集
它与常规聊天触发器并行连接，因此可以从任一触发器启动工作流。更多信息
如果我们正在进行评估（即从评估触发器开始执行），我们使用AI计算正确性指标
我们将此信息作为指标传回n8n
如果我们不进行评估，我们避免计算指标以降低成本

工作流包含以下关键组件：
– 评估触发器：从Google Sheets读取测试数据集
– AI代理：使用GPT-4o-mini模型回答问题
– 正确性计算：比较AI输出与参考答案的相似度
– 指标设置：将相似度分数作为评估指标返回

该工作流特别适用于验证AI模型在历史事实问答任务中的准确性和可靠性。