LLM Evaluation Designer

LLM生成システムの検証を設計するためのガイド。

Quick Start

# 1. 検証対象の機能を特定
target_function: "テキスト置換"

# 2. 不変条件を定義
invariant: "入力テキストAをBに変換、他は不変"

# 3. 失敗モードを列挙（→ references/failure-modes.md）
failure_modes:
  - example_overfitting   # プロンプト例への過学習
  - hallucination         # 幻覚（存在しない内容の生成）
  - partial_processing    # 部分的処理

# 4. 汎化テスト設計（→ references/generalization-patterns.md）
# 5. テストケース生成（→ references/test-case-templates.md）

Core Workflow

Step 1: 失敗モード分析

LLM特有の失敗パターンを特定。詳細は failure-modes.md。

| 失敗モード | 検出方法 | 対策テスト | |-----------|---------|-----------| | 例への過学習 | 例と異なる入力でテスト | 同カテゴリ別例、異カテゴリ例 | | 幻覚 | 入出力差分の厳密検証 | 入力に存在しない内容チェック | | 部分的処理 | 全マッチの網羅性検証 | 複数出現、複数ブロック | | 指示誤解釈 | 境界条件テスト | 類似だが異なる指示 |

Step 2: 汎化保証設計

プロンプト例への過学習を防ぐテスト設計。詳細は generalization-patterns.md。

プロンプトに例Xがある場合：
  ├─ Xと同カテゴリの別例Y, Zでテスト
  ├─ Xと異なるカテゴリの例A, Bでテスト
  └─ テスト入力 ∩ プロンプト例 = ∅ を保証

Step 3: テストマトリクス構築

変数の直交組み合わせでテストケースを生成：

操作種別 × 入力形態 × 出現パターン × ブロック種別
   ↓
ペアワイズ法で組み合わせ削減
   ↓
優先度付きテストケース生成

Step 4: スコアラー設計

多面的な品質評価。詳細は scorer-design.md。

| スコアラー | 測定対象 | 閾値例 | |-----------|---------|-------| | operation-accuracy | 操作種別・数の正確性 | 80% | | target-block-precision | ターゲット特定の正確性 | 75% | | content-quality | 生成内容のパターンマッチ | 60% | | anti-hallucination | 幻覚の不在 | 100% |

References

• failure-modes.md: LLM失敗モード詳細
• generalization-patterns.md: 汎化テスト設計パターン
• test-case-templates.md: テストケーステンプレート
• scorer-design.md: スコアラー設計ガイド

Anti-Patterns

# ✗ Bad: プロンプト例と同じ入力でテスト
prompt_example: "カート → Cart"
test_input: "カート → Cart"  # 過学習を検出できない

# ✓ Good: プロンプト例と異なる入力でテスト
prompt_example: "カート → Cart"
test_inputs:
  - "ユーザー → 利用者"  # 同カテゴリ（カタカナ）別例
  - "効率化 → 最適化"    # 異カテゴリ（漢字）
  - "API → インターフェース"  # 異カテゴリ（英語）

# ✗ Bad: 単一パターンのみ許容
expectedContentPatterns:
  - "要約"

# ✓ Good: LLMの非決定性を考慮した複数パターン
expectedContentPatterns:
  - "要約|まとめ|サマリー"