Evidently
开源 ML/LLM 可观测性框架，提供 100+ 指标用于评估、测试和监控 AI 系统，从表格数据到生成式 AI 全覆盖
🎯适用场景：生产环境中持续监控 ML 模型和 LLM 的质量表现与数据漂移
📥 收录于 2026/6/6
📊 仓库数据
✅ 优点
- •100+ 开箱即用的监控指标
- •同时支持传统 ML 和 GenAI
- •HTML 报告直观易用
⚠️ 限制
- •大规模部署需自行集成基础设施
- •LLM 指标仍在持续完善中
🔗 相关工具
OpenAI Evals
github.com/openai/evals
OpenAI 官方的 LLM 评估框架和基准测试开源注册表，提供标准化的评估流程和丰富的基准数据集，是 LLM 能力评测的行业标准工具，覆盖推理、指令遵循、安全性等多维度评估
🎯LLM 能力评测与基准测试、模型迭代效果验证、AI 安全性评估
DeepEval
github.com/confident-ai/deepeval
LLM 评估框架，15K+ stars。提供全面的 LLM 评估指标和测试框架，支持 RAG 评估、幻觉检测、毒性检测等，是 LLM 应用质量保证的标准工具
🎯LLM 应用上线前的自动化质量评测与 RAG 效果验证
Giskard OSS
github.com/Giskard-AI/giskard-oss
开源 LLM Agent 评估与测试库，5K+ stars。覆盖 Agent 评估、AI 红队测试、公平性检测等能力，是 LLM 安全评测的重要工具
🎯LLM/Agent 上线前的安全评估、红队测试、偏见检测、合规性审计
lmms-eval
github.com/evolvinglmms-lab/lmms-eval
一站式多模态评估工具包，覆盖文本、图像、视频和音频任务的统一评测。支持主流多模态模型的基准测试和性能对比，是 ML 研发的质量保障基础设施。4.2K+ stars
🎯多模态模型评测与 benchmark、ML 模型质量保障
Agenta
github.com/Agenta-AI/agenta
开源 LLMOps 平台，4.1K+ stars。集合 Prompt Playground、Prompt 管理、LLM 评估和可观测性于一体，支持 LLM-as-a-Judge 评估、RAG 评估和多模型对比，是 LLM 应用开发的质量保障基础设施
🎯LLM 应用开发与质量保障
PromptBench
github.com/microsoft/promptbench
微软大语言模型评估工具，支持对抗性 prompt 测试、鲁棒性评估、多模型对比，4,000+ stars
🎯Prompt 鲁棒性评测、对抗性测试与多模型对比