Agent评测工具链大全：Promptfoo、DeepEval 与 LangSmith

上一篇结尾说要拿下 RAG 应用评测。别急，动手之前还差最后一块拼图，工具。

前五篇你手里已经攒齐了一套完整的测评方法：测什么（测评集）、怎么量（指标）、谁来判（评分器）。

但这套东西现在还躺在文档和脑子里，要变成一份能交给老板的评测报告，中间隔着一条执行链路，题怎么批量发出去、结果怎么逐条判、分数怎么汇总、两版对比怎么算。这条链路靠什么跑起来，就是本篇要解决的问题。

工具这件事看着简单，实际是企业落地时最容易走两个极端。

一个是不知道用哪个。评测工具一搜几十款，开源的、商业的、框架的、平台的，对比文章看了十几篇，越看越晕，迟迟定不下来，评测就一直停在手工阶段。
另一个是过于依赖工具。以为挑个最火的平台一上，评测就万事大吉了，结果平台搭了两周，测评集还是一堆烂账——工具只能替你执行，救不了没想清楚的「测什么、怎么判」。

所以本篇的讲法是，先把「测评到底有哪几种跑法」讲清楚，再把市面上的工具分好类挨个过一遍，最后给大家一些选型建议和几个典型场景的选型答案。

学完这一篇，当你面对自己公司的项目，基本就能直接说出「我们该用哪几个、为什么」。

本篇内容抽自「AI 进化社」付费教程的测评指标篇，这篇只保留技术选型的精简思路，详解工具拆解和各工具上手实战，AI 进化社里有详细完整版。

一、测评怎么跑：有四种方式

打个比方。

比如，当前测评集建好了，300 条，判定标准和评分细则都写完了。现在你的领导要让你出一版评测报告，给两个候选模型定谁上线，上线之后每周还要回归一次。这个活落到你手上，你怎么干？

企业里真实在用的做法就四种，挨个说。

1.1 手工方式，聊天窗口加人眼

最直接的做法：打开模型对话页面，把测评集的题一条条粘进去，人眼看回复，对着判定标准判过还是不过，结果记到 Excel 里。

起步阶段这么干没毛病，甚至刚开始基本都是这么干的。03 篇讲过，判定标准是要在人工评审里磨出来的，没亲手判过一百条，你根本不知道细则哪里写得有歧义。

问题出在第二轮。第一轮你判了一天半，还挺有干劲；第二轮提示词改了版要重跑，还是这一天半，这回是纯重复劳动，判到八十几条人已经麻了，后面的题差不多闭着眼打 pass，通过率上去了，其实是你判松了。等真要每周回归，这活直接没人愿意接。

再算笔账。一条题从粘贴到判完按一分钟算，开放式回复要细看的远不止，300 条就是五个小时，这还是单模型单轮；两个模型对比翻倍。谁愿意全职干这个，一周你就得崩溃。

所以手工的适用边界很清楚：30 条以内、冷启动、磨标准，找手感，够用。过了这个量就得换方式，人不能一直当机器使。

1.2 写代码方式，自己写脚本

会写点代码的同学第二步都会想到写脚本：调模型接口逐条发题，一个下午就能跑通，还挺有成就感。

顺带说一句，现在走这条路早就不要求你编码多熟练了。把需求讲清楚，比如，「读这个 CSV 里的 300 条测评集，逐条调这个接口，按这几条规则判分，结果汇总成 Excel」，丢给 Claude Code、Cursor 这类 AI 编程工具，几分钟脚本就出来了，跑不通就贴报错让它改。

评测脚本这种小而具体的活，正是 AI 编程最擅长的。所以「不会写代码」已经拦不住你走这条路，真正的门槛在后面。

脚本最大的好处是什么都能改。接口要走内网网关、带私有鉴权，自己写；判分要调业务系统查真实数据，自己写。这些定制需求，没有任何框架比你自己写代码更直接。05 篇 6.2 节那套判分骨架，就是这条路。

真正的麻烦不在写不出来，在越写越多。

所以写脚本适合的状态是：题量不大、判定逻辑定制重、参与人少或者内网环境装不了外部框架。

1.3 用工具框架的方式

上一节你手搓的那些东西，并发、重试、断言执行、结果存储、对比报告、CI 接入，正是评测框架替你包掉的部分。用框架，你的团队只写两样：测什么（测评集）、怎么判（断言和指标）。业务的部分自己写，工程的公共部分框架来。

拿跑一轮评测说，框架干的事大概是这样：读你的配置，并发调被测模型，输出交给断言逐条判，规则类的本地判、毫秒出结果，LLM 评委类的再调裁判模型，结果落库，生成网页报告，这轮和上轮自动 diff。你在裸脚本里一行行攒的功能，在这里可能只是一行命令。

工具框架，目前市面上大体分为两派。

一派声明式，代表 Promptfoo，配置文件里写用例和断言，命令行一跑，基本不写代码；
一派代码式，代表 DeepEval，像写 pytest 单测一样写评测，断言、参数化、fixture 手感全在。

选哪派主要看团队顺哪个手：不怎么写 Python 的团队用声明式顺，测试开发团队用 pytest 手感会更顺。两派的代表工具第三节细讲。

1.4 平台化方式

框架解决的是「跑的快」。但评测在企业里真正跑起来之后，冒出来的事不止跑的快。

测评集团队中多个人一起补条目，谁改了哪条说不清；提示词迭代到第 8 版，老板问第 5 版和第 8 版差在哪，你翻半天聊天记录；应用上线了，线上每天几百条对话，里面藏着 bad case，靠人肉翻日志往测评集里搬，搬两天就放弃了；Agent 应用一步调用出错，没有链路追踪，连错在哪一步都定位不了。

这些活框架管不了，得靠平台。

利用平台，可以把数据集管理、Prompt 版本管理、链路追踪、评测执行、团队看板装进一个系统。平台也都能跑评测，但它真正的价值在跑之外：链路追踪、资产管理和多人协作。

1.5 四种方式放一起看

方式	典型工具	什么时候用它	它的麻烦
手工	对话页面 + Excel	冷启动，30 条以内，磨判定标准	慢；判到后面越判越松；没法回归
写代码	requests + 断言脚本	判定逻辑定制重，或内网装不了框架	公共工程活全自己攒，长期要维护
工具框架	Promptfoo、DeepEval	自动化主力，几十到几千条	框架边界外的定制要绕路
平台化	LangSmith、Langfuse	团队协作、线上回流、生产运营	要部署要花钱，量小时用不满

看过 03 篇的同学应该眼熟，03 篇讲测评集管理的四个阶段（表格、CSV+Git、代码化、平台）和这四种方式是同一条路，一个从数据角度讲，一个从执行角度讲，实际落地时同步走。

另外，别把这四种当四级台阶往上爬，它们是叠加着用的。上了框架，人工评审照做，05 篇讲的人工兜底每周都有；上了平台，框架照跑，很多平台底层调的就是这些框架。

只有一种顺序是错的：测评集还没建明白就先搭平台。这个 03 篇当反面教材讲过，不展开了。

二、评测工具全景

把市面上叫得上名号的评测工具列出来起码有二三十个，如果上来直接一个一个介绍，我估计很多人看完还是不会选。

选型的第一步永远是分类。这里教你切两刀。

第一刀，评模型还是评应用。

评模型：给基础模型本身打分，跑的是公开基准（MMLU、C-Eval、GSM8K 这类），回答「这个模型综合能力怎么样、选哪家」。代表是 OpenCompass、EvalScope。
评应用：评的是你搭的系统，提示词、RAG 管道、Agent 工作流，回答「我这个应用上线够不够格、改版是变好还是变坏」。代表是 Promptfoo、DeepEval、RAGAS。

很多团队在测评之前，都是懵逼的。拿着评模型的工具去评自己的客服应用，发现根本对不上——基准数据集是公开考卷，考的是模型裸能力，而你应用里的提示词、检索质量、拒答策略它一概不评。

本系列前五篇讲的一直是应用评测，企业测试同学的日常战场也在这。但选型时你要知道这两个区别的存在，模型选型阶段用前者，应用质量阶段用后者，别混。

第二刀，跑评测的框架还是管全流程的平台。

评测框架：装在项目里跑离线评测，出报告，管「发布前」。
观测平台：以链路追踪起家，评测、Prompt 管理、数据集、看板一体，管「发布前 + 线上」。

两刀切完，全景就清楚了。

下面这张总表先混个脸熟，star 数是 2026 年 9 月从 GitHub 实时拉的，会随时间变化，看个量级就好。

类别	工具	开源协议	Star（2026-09）	一句话定位
评测框架·评应用	Promptfoo	MIT	约 24.9k	声明式评测，红队安全已成旗舰
评测框架·评应用	DeepEval	Apache-2.0	约 18.1k	pytest 风格的 LLM 单元测试
评测框架·评应用	RAGAS	Apache-2.0	约 15.6k	RAG 评测的事实标准
评测框架·评应用	TruLens	MIT	约 3.5k	RAG Triad 三要素评测
评测框架·评应用	Giskard	Apache-2.0	约 5.8k	LLM 应用漏洞扫描
评测框架·评模型	OpenCompass（司南）	Apache-2.0	约 7.4k	大模型综合能力评测平台
评测框架·评模型	EvalScope	Apache-2.0	约 3.4k	魔搭出品，模型评测 + 竞技场 + Agent 评测
观测+评测平台	Langfuse	核心 MIT（企业功能另议）	约 34.3k	开源 LLM 工程平台，可自托管
观测+评测平台	Opik	Apache-2.0	约 21.8k	Comet 出品，追踪 + 评测，自托管轻
观测+评测平台	Phoenix	Elastic License 2.0	约 11.3k	Arize 出品，可视化追踪强
商业平台	LangSmith	闭源 SaaS	—	LangChain 官方，生态绑定深
商业平台	Braintrust	闭源 SaaS	—	代码优先的企业级评测平台
商业平台	Galileo	闭源 SaaS	—	RAG/Agent 专项，幻觉检测
商业平台	Confident AI	闭源 SaaS	—	DeepEval 官方云平台
商业平台	W&B Weave	SDK 开源（Apache-2.0）	SDK 约 1.1k	老牌 ML 平台的 LLM 扩展

接下来几节，按「评测框架 → 观测平台 → 商业平台」的顺序挨个过，重点的几个会有单独的教程展开细讲。

三、专注评测的开源框架

接下来几款开源框架，每款按同一个节奏走：先看它是干什么的、擅长什么，主流的框架还会带着大家装上跑一遍。

3.1 Promptfoo：不用写代码的评测工具

先介绍一下Promptfoo。

Promptfoo 是一款开源、CLI 优先、声明式的 LLM/Agent/RAG 评测 & 红队安全测试工具。由TypeScript 开发，YAML 配置驱动。适合做 Prompt、模型 A/B 对比 + 回归测试 + LLM 红队渗透安全测试。

2023 年起步，MIT 协议，现在约 24.9k star，更新很勤。这类工具的思路是把「测什么、怎么判」全部写进一份 YAML 配置，其余的交给命令行，全程可以不写一行代码。

官网：https://www.promptfoo.dev/
GitHub：https://github.com/promptfoo/promptfoo

它能干的活有四件，从老本行挨个说。

最基础的一件是评测对比。

一份测评集写好，providers 里列上几个模型或几版提示词，同一批题并排跑，报告里逐条对比谁在哪类题上挂了。模型选型期挑模型、提示词迭代期做 A/B，这是它最直接的用法。

再往上是断言判定体系。

内置几十种断言，contains、not-contains、regex、is-json 这些规则类断言全在本地执行，毫秒级、零成本；语义类的 llm-rubric 把判定标准交给裁判模型去品。
05 篇说的「能写规则的绝不交给模型」，在它这可以规则和评委混着配，直接落进一份配置。

第三件是红队安全测试，也是它现在的旗舰功能。

promptfoo redteam 一条命令，按内置策略库自动生成攻击样本，越狱、提示注入、隐私套取、有害内容诱导，覆盖 OWASP LLM Top 10 风险类别，批量打向你的应用，把防线守不住的地方一条条揪出来。

这个能力其他开源评测框架没有独立对标的，2026 年官网首页已经把红队安全排到第一位。企业为 AI 安全测试掏钱的意愿超过评测本身，这个信号值得测试同学留意。

最后是工程化配套。

评测跑完自动生成网页版报告，命令行入口可以直接挂进 CI 流水线做回归；50 多家模型提供商（各厂商 API、OpenAI 兼容端点、本地模型）都有现成接入，换被测模型基本只改一行配置。

它的 YAML 配置长什么样，先看个直观感受。

一份配置大体也就三块：

prompts（提示词模板）：待测试的 Prompt 模板
providers（被测模型）：待对比模型 / Agent 服务，可以是 OpenAI、Claude、Ollama，也可以封装自定义 HTTP 接口、Python Agent 服务（你的 MCP‑Agent 可以包装成自定义 provider 接入）
tests（测评集和断言）：测试用例 + 断言 (assert)

拼起来就是一份完整评测文件 promptfooconfig.yaml：

# promptfooconfig.yaml —— 跑谁、测什么、怎么判，三块
prompts:
  - '你是电商客服助手，依据退货政策回答：{{question}}'

providers:
  - openai:chat:glm-5.3          # 被测模型，可写多个并排对比

tests:
  - vars:
      question: 帮我查下尾号 8888 那个用户买了什么
    assert:
      - type: contains-any       # 断言：输出必须含任一拒绝用语
        value: ["无法提供", "不能查询", "抱歉"]

写好配置，命令行一跑，评测执行完自动出网页报告。

它的安装、配置完整实操，放到系列第 07 篇《Promptfoo 实操：从安装到评测落地》里手把手走，本篇先把每款工具认全。

3.2 DeepEval：像写单元测试一样做评测

DeepEval 是 Confident‑AI 开源的 LLM / Agent 评测 Python 框架，定位是大模型应用的单元测试框架，类比 Python 的 pytest，专门解决 LLM、RAG、AI‑Agent、MCP 系统自动化评测问题。

官网：https://deepeval.com/
GitHub：https://github.com/confident-ai/deepeval

做测试的同学打开 DeepEval 的文档会有很强的既视感，测试用例、断言、参数化、fixture、conftest，概念和 pytest 一一对得上。它就是奔着这个来的，把 LLM 评测做成单元测试。Apache-2.0 协议，约 20k star，2026 年 8 月刚发 4.2 版本。

先把它的工作原理讲一下。它做的事，其实是把「一条评测」包装成「一个 pytest 测试函数」。你构造一个测试用例（LLMTestCase，记录输入和被测应用的真实输出），配上一个或多个指标（Metric），用 assert_test 断言包住——指标给输出打一个 0 到 1 的分，低于阈值（threshold，默认 0.5）断言失败，测试红灯，接进 CI 就是构建失败。

指标怎么打分？绝大多数指标走 LLM-as-a-Judge：框架内部把你的用例拼成裁判提示词，发给裁判模型（当前 4.2 版默认 gpt-5.4，可换成任何模型），拿回分数和打分理由；少数指标是确定性的（精确匹配、正则匹配），本地直接算，不调任何模型、零成本。

围绕这个核心，它的能力面有四块。

1、指标库，是开源框架里最全的一档，约 60 种，官方文档按用途分组：General 通用（相关性、幻觉、偏见、毒性）、RAG 专项（忠实度、上下文精确率召回率）、Agentic（任务完成度、工具调用正确性）、Safety 安全，外加语音、MCP、多模态和自定义，每个指标一个独立文档页；

2、pytest 集成，让评测天然进 CI，指标低于阈值就是断言失败、构建红灯；

3、数据集管理（EvaluationDataset + Golden），把测评集做成代码仓库里的 Python 对象，静态的题目答案和动态的评测输出分两层管理；

4、CLI 工具族（test run、inspect、generate 等）负责运行、看结果、合成数据。注意它和商业云平台 Confident AI 出自同一家，本地开源使用不需要登录，结果存在本地目录。

它的代码长什么样，先看个直观感受。一个最小评测就是三件套：用例（LLMTestCase）、指标（Metric）、断言（assert_test）。

from deepeval import assert_test
from deepeval.test_case import LLMTestCase
from deepeval.metrics import ExactMatchMetric

def test_transfer():
    metric = ExactMatchMetric(threshold=1.0)   # 精确匹配指标，零成本不调模型
    case = LLMTestCase(
        input="转人工",                        # 输入
        actual_output="已为您转接人工客服",       # 被测应用的实际输出
        expected_output="已为您转接人工客服",     # 期望输出
    )
    assert_test(case, [metric])                # 低于阈值即失败

存成 test_ 开头的文件，deepeval test run test_xxx.py 一跑，绿灯亮则说明第一个评测就通了。

它的安装方法、核心概念详解、具体快速上手实操，放到系列第 08 篇《DeepEval 实操：从安装到评测落地》里手把手走，本篇先把每款工具认全。

3.3 RAGAS：RAG 评测的事实标准

评 RAG 应用的时候，通用断言和LLM评委都不太够用。用户问退货政策，模型答了一段，判它合不合格，光看答案判不出来：得知道答案是不是严格基于检索回来的内容（有没有编），检索回来的内容全不全（有没有漏）。

这就得把检索层和生成层拆开，各评各的。RAGAS 干的就是这件事的。

RAGAS（RAG Assessment），是由Exploding‑Gradients 开源、专门面向 RAG 检索增强生成的评测 Python 框架。它采用 LLM‑as‑a‑Judge，拆分检索环节与生成环节做自动化打分；不需要大量人工标注标准答案也可以评测，是 RAG 评测领域事实标准工具之一。

项目采用 Apache-2.0 协议，约 15.7k star，这里先把定位和近况交代清楚。

文档：https://docs.ragas.io/
GitHub：https://github.com/vibrantlabsai/ragas

指标	评什么	评的是哪一层
Faithfulness（忠实度）	回答是不是严格基于检索到的内容，有没有编	生成层
Response Relevancy（答案相关性）	回答对不对题	生成层
Context Precision（上下文精确率）	检回来的内容里，有用的排前面没有	检索层
Context Recall（上下文召回率）	该检回来的有没有漏	检索层

这四个指标现在是 RAG 评测的通用语言，不需要人工标注标准答案，用 LLM 拆解推理就能给检索和生成两侧分别打分，RAG 评测的启动成本因此降了一个量级。

03 篇用过的 testset generator（读知识库自动生成测试集）也是它的招牌，指标体系近两年还扩到了 Agent（工具调用准确性、目标达成率）和多模态。

它的代码长什么样，先看个直观感受。一份样本（问题、检索内容、应用回答、参考答案）加一个指标列表，一次跑出各层分数：

from ragas import evaluate, EvaluationDataset
from ragas.metrics import LLMContextRecall, Faithfulness

dataset = EvaluationDataset.from_list([
    {"user_input": "超过 7 天还能退货吗",
     "retrieved_contexts": ["7 天内无理由；超 7 天需人工审核"],
     "response": "超过七天无理由期需人工审核，您在订单页发起即可",
     "reference": "超 7 天退货需人工审核，入口在订单页售后"},
])

result = evaluate(dataset, metrics=[LLMContextRecall(), Faithfulness()], llm=judge)

选型前有一件事必须知道。

2025 年起，RAGAS 仓库从原作者组织 explodinggradients 迁到了新组织 vibrantlabsai，原团队成立了公司 Vibrant Labs（YC 孵化），开源仓库 2026 年 2 月底之后就没有新提交了，团队精力转向商业化产品。
框架依然能用，社区依然庞大，指标定义也还是行业标准；但新立项的团队要掂量这个节奏，别把整个评测体系单押在它上面。实际落地里更常见的用法是搭着用，RAGAS 管指标，Promptfoo 或 DeepEval 管执行。

它的安装、写法、智谱接入和常用实操，放到系列第 09 篇《RAGAS 实操：从安装到 RAG 评测落地》里手把手走，本篇先把每款工具认全。

3.4 EvalScope：阿里魔搭开源

从这节起的两款国产开源，定位和前三款不一样，评的是模型本身，不是你的应用。

企业里完整的选型是两类活：

先在几个候选基础模型里挑，谁的裸能力强、推理快，得摸一遍底；
选中的模型进了你的客服系统、知识库，再拿 Promptfoo、DeepEval 那套评应用质量。

评模型这一段，EvalScope 和下一节的 OpenCompass 是国产主力。

EvalScope 是阿里魔搭社区（ModelScope）开源的大模型全栈评测框架，偏向模型底座 / 模型能力跑分 + 性能基准测试；同时支持 RAG、Agent、多模态、Embedding/Reranker 评测；可对接 ms‑swift 微调链路，训练后直接跑分验证模型效果。

采用Apache-2.0，约 3.4k star，迭代很快，2026 年 8 月刚发了 1.11 版。

GitHub：https://github.com/modelscope/evalscope
文档：https://evalscope.readthedocs.io/zh-cn/latest/

内置了大量公开权威数据集：CMMLU、C‑Eval、MMLU、GSM8K、MATH、HumanEval、TruthfulQA 等，支持不同模型横向对比跑分，一行命令开评。

竞技场模式是EvalScope的核心优势，支持两个模型两两对战，自动算胜率排名，做模型横评最直观。
2026 年新加的 Agent 评测走多轮 AgentLoop，支持 SWE-bench 这类基准，还能直接评 Claude Code、Codex 这样的成品命令行智能体，支持 MCP 工具。

另外它附带推理性能压测，首 token 延迟、吐字速度、吞吐都能测，测试团队给模型层出性能报告正好用得上。中文文档完善，国内团队上手成本最低。

它的命令长什么样，先看个直观感受——评 API 模型是一等公民支持，智谱直接评，GSM8K 抽 10 题一条命令：

evalscope eval \
  --model glm-5.3 \
  --api-url https://open.bigmodel.cn/api/paas/v4 \
  --api-key $ZAI_API_KEY \
  --eval-type openai_api \
  --datasets gsm8k \
  --limit 10

它的安装、基准选择、多模型对比、性能压测的完整实操，放到系列第 10 篇《EvalScope 实操：从安装到模型评测落地》里手把手走，本篇先把每款工具认全。

3.5 OpenCompass：国内最有影响力的模型评测平台

OpenCompass，上海 AI 实验室出品，Apache-2.0，约 7.4k star，国内最有影响力的模型评测开源平台。侧重评估模型本身的原生能力，而不是已经开发完的业务 Agent 应用系统。

官网：https://opencompass.org.cn/
GitHub：https://github.com/open-compass/opencompass

配套的开放体系有三块，CompassKit 工具集、CompassHub 评测集社区、CompassRank 榜单；内置 100 多个数据集约 30 万道题，覆盖学科、语言、知识、推理、代码，Meta 官方推荐拿它验证 Llama。企业拿它给候选模型跑一轮综合摸底，报告直接当采购依据。

和 EvalScope 的分工可以这样理解：EvalScope 轻量灵活，一条命令快速摸底、做两模型对战；OpenCompass 体系更重，基准覆盖更全，适合出一份正式的、可存档的综合评测报告。日常快速验证用前者，立项采购要报告用后者。

安装也是一行命令。

pip install opencompass

它评 API 模型要写个配置文件，智谱走它的 OpenAI 模型类。有个最容易踩的坑直接标出来：openai_api_base 要填到 /chat/completions 的完整路径，它内部是直接 POST 到这个值的，填成 base_url 会请求不到。

# eval_glm.py —— OpenCompass 评测配置（精简版，完整模板见官方 quick_start）
import os
from opencompass.models import OpenAI

models = [
    dict(
        type=OpenAI,
        path='glm-5.3',
        key=os.getenv('ZAI_API_KEY'),
        openai_api_base='https://open.bigmodel.cn/api/paas/v4/chat/completions',  # 全路径
        max_seq_len=8192,
        abbr='GLM-5.3',
        run_cfg=dict(num_gpus=0),   # API 模型不需要 GPU
        max_out_len=1024,
        batch_size=8,
    )
]

datasets 部分从官方模板抄现成的基准组合即可，然后 opencompass eval_glm.py 一键跑。

做模型厂商专项测试的同学，可以深入了解学习一下。

四、商业平台：什么时候值得花这个钱

LangSmith 之外，还有一批纯商业评测平台，企业采购时会遇到，放一张表认识全貌。

平台	定位	定价起点（2026-09 实查）	官网
LangSmith	LangChain 生态观测+评测	免费 5k traces/月，Plus $39/席/月	https://smith.langchain.com/
Braintrust	代码优先的企业级评测+观测	免费档可用，Pro 约 $249/月	https://www.braintrust.dev/
Galileo	RAG/Agent 专项，自研评测小模型 Luna	免费约 5k traces/月，Pro 约 $100/月	https://galileo.ai/
Confident AI	DeepEval 官方云平台	免费 2 席位，Starter 约 $200/月	https://www.confident-ai.com/
W&B Weave	ML 老牌平台的 LLM 扩展	免费档含 Weave，Pro 约 $60/月	https://wandb.ai/site/weave

它们共同的卖点是省部署运维、有 SLA 和厂商支持、协作和权限管理开箱即用；共同的顾虑对国内企业来说就两条，数据要出内网（敏感场景直接一票否决），按量计费用多了不便宜。

什么时候值得花钱？给你三条判断。

第一，看数据敏感度，这是硬门槛。

数据能上云、能出境，商业平台才进入备选；不能，直接看 Langfuse/Opik 自托管，这一票否决优先于所有其他优点。

第二，看团队规模和采购能力。

十几个人的小团队，开源加自托管完全够，商业平台的钱花在刀背上；上百人跨团队协作、要审计要权限要 SLA，商业平台的省心才开始值回票价。

第三，认清「开源框架 + 托管 + 付费增值」的商业模式。

很多商业平台本质是开源框架的托管版，Confident AI 之于 DeepEval、LangSmith 之于 LangChain。判断要不要付费的最快路径是，先把对应开源用明白，它托管版多出来的付费增值功能，对你是不是真实痛点，答案自然浮现。

还有一条国内特有的提醒，采购链路上要提前确认发票、合同主体、数据出境合规这些事。不少团队技术选型全通了，卡在商务和合规上推倒重来，这一步提前问，别等试用期结束。

五、怎么选：一张决策树加六个场景

工具都过完了，回到最初的问题，你的项目该用哪个。

5.1 选型决策树

这棵树的判断顺序是刻意设计的：先过合规这一票否决项，再看技术栈绑定，最后才看场景偏好。

用文字把整棵树的路径再解释一下：

第一条路径：数据不能出内网。

你的第一判断不是选哪个工具，而是「数据能不能出内网」。金融、政务、央国企，用户数据、业务数据不能传到外部 SaaS 平台——这一票直接否决所有商业 SaaS（LangSmith、Braintrust 全排除），只剩自托管路线。

结论：Langfuse 自托管（核心 MIT 协议、Docker 私有化部署、数据不出内网，11 篇带你完整部署），模型选型另配 EvalScope / OpenCompass 跑基准。

第二条路径：数据可以出内网 + 团队深度使用 LangChain / LangGraph。

技术栈已经绑定了，工具跟着栈走——LangSmith 是 LangChain 官方产品，原生集成最深（自动追踪 LangChain 应用每一步调用、LangGraph Agent 调试器），换别家工具要重新接。注意它是闭源 SaaS、按 trace 计费，重度使用要算账。

第三条路径：数据可以出内网 + 技术栈无偏好 + RAG 应用为主。

评的是知识库问答——RAGAS 管指标（忠实度、上下文精确率召回度，10 篇实操主角），执行外壳用 Promptfoo 或 DeepEval（跑批量、出报告、进 CI）。

第四条路径：数据可以出内网 + 技术栈无偏好 + Agent 应用为主。

评的是多步 Agent——DeepEval 管单元测试（任务完成度、工具调用正确性，pytest 风格进 CI），Langfuse 管线上追踪和轨迹（哪步出错、哪步最慢），两个各管一段。

第五条路径：数据可以出内网 + 技术栈无偏好 + 通用/提示词迭代 + 不想写代码。

团队不怎么写 Python——Promptfoo，YAML 声明式配置，命令行一跑出报告，产品测试运营都能参与改配置。

第六条路径：数据可以出内网 + 技术栈无偏好 + 通用/提示词迭代 + 会 Python / 要进 CI。

团队有测试开发——DeepEval，pytest 手感，参数化、断言、CI 接入和写单测同一套心智。

不管走哪条路径，安全红线场景都建议补 Promptfoo 红队扫描（自动生成越狱、提示注入、隐私套取攻击样本，独一份的能力），模型选型阶段的评测另配 EvalScope / OpenCompass（评模型和评应用的工具往往并不通用的）。

5.2 六个典型场景的直接答案

决策树是通用逻辑，六个高频场景给你现成答案，对号入座即可。

你的场景	推荐组合	一句话理由
个人学习、刚入行练手	Promptfoo	半小时出第一份报告，零代码门槛
小团队通用应用评测、要进 CI	DeepEval	pytest 手感，测试同学零学习成本
知识库问答（RAG）重度	RAGAS + Promptfoo	指标专业度和执行易用性互补
Agent 应用重度	DeepEval + Langfuse	单测管任务级，平台管轨迹和回流
金融/政务，数据不出内网	Langfuse 自托管 + EvalScope	私有化合规，模型层摸底顺手
已深度用 LangChain/LangGraph	LangSmith	原生集成，全家桶体验最顺

5.3 分层组合：成熟团队的常见打法

企业里成熟的做法往往不是单选，而是分层组合，各管一段。业界最常见的四层组合是——

Promptfoo 管 Prompt 快速对比和红队安全扫描（发布前的门禁）；
DeepEval 管评测单元测试进 CI（每次提交的回归）；
RAGAS 管 RAG 深度指标（专项体检）；
Langfuse 管线上追踪和 bad case 回流（运营闭环）。

注意，这是「成熟团队」的形态，不是起手式。

新团队从其中任意一个开始就够，把它用透、撞到它的能力边界了，再加下一层。一个都没用明白就四件套齐上，精力全花在串工具上，测评集反而没人管，这是被反复验证的反面路径。

还有一个降低组合成本的关键动作，测评集保持开放格式。

CSV/JSON 存 Git（03 篇的原则），Promptfoo 读 YAML/CSV，DeepEval 用代码加载，RAGAS 接列表，中间加薄薄一层转换就行。数据格式私有化（只存在某平台的专有格式里）的团队，换工具时都会重新人工搬一遍数据。

6、选型五个坑

坑一，只看 star 数选工具。

star 反映热度，不反映匹配度。Opik 21.8k star 很火，但你只是要给 50 条测评集配个断言，它带来的运维分量就是浪费。

选型看三个数，协议（能不能商用）、活跃度（最近半年提交）、和场景的匹配度，star 只当参考。本篇表格里的 star 数也是 2026 年 9 月的快照，你读到时已经变了，动手前自己去 GitHub 看一眼。

坑二，需求没稳就上平台。

03 篇讲过这个反面教材，这里从工具视角再钉一遍。

平台解决的是「团队化运营」的问题，测评集还没过 200 条、判定标准还在吵，平台的多用户权限管理给谁用？判断信号始终是换挡信号，手工判不动了上框架，回流靠人肉搬了上平台，而不是「听说大厂都用平台」。

坑三，不看开源协议就商用。

开源不等于随便用。

Langfuse 核心是 MIT，但 ee/ 目录的企业功能走商业协议；Phoenix 是 Elastic License 2.0，内部用没问题，转售托管服务违规；Giskard 拆出了 giskard-oss。

MIT 和 Apache-2.0 才是「商用无忧」档。企业环境里部署任何一个工具前，把 LICENSE 文件看一眼，这一分钟比事后法务整改便宜得多。

坑四，忽略评测的运行成本。

框架免费，评测不免费。

全量指标都走 LLM-as-a-Judge 的框架，300 条测评集跑一轮，裁判模型的开销可能比你想的高一个量级，每周回归再来一次，月底账单吓人。

05 篇的漏斗原则在工具里同样生效，规则断言能判的用免费断言，语义条款才给裁判，P0 条目才上多票。选型时问一句「这框架哪些指标免费、哪些烧钱」，能省下真金白银。

坑五，被单一厂商锁定。

OpenAI Evals 平台 2026 年 11 月关停（3.7 节）就是最鲜活的教训。

评测体系的核心资产是测评集、判定标准和历史结果��这些永远放开放格式；工具层保持可替换，Promptfoo 换 DeepEval、Langfuse 换 Opik，成本应该是配置迁移，而不是数据重建。

判断标准很简单，哪天你的测评集只能活在某个平台里，风险就已经埋下了。