Değerlendirmeler (Evals)
LLM sistemleri için testler: istemler, modeller ve ajan akışları üzerinde otomatik kalite ölçütleri.
"Değerlendirmesi olmayan iyi bir LLM uygulaması, testsiz programlamaya benzer." Araçlar: OpenAI Evals, Anthropic Evals, Braintrust, LangSmith. Ölçütler: olgusal doğruluk, yararlılık, güvenlik, maliyet, gecikme. Çoğu zaman "LLM-as-judge" ile, yani puanlamayı başka bir LLM'in yapmasıyla birleştirilir.