evalvault 1.84.0

Full-stack RAG evaluation, observability & analysis — datasets, metrics, stage-level tracing, and analysis pipelines via CLI + Web UI

EvalVault

RAG(Retrieval-Augmented Generation) 시스템을 대상으로 평가(Eval) → 분석(Analysis) → 추적(Tracing) → 개선 루프를 하나의 워크플로로 묶는 CLI + Web UI 플랫폼입니다.

English version? See README.en.md.

---

EvalVault이 푸는 문제

"이번에 바꾼 RAG, 정말 좋아졌나?"를 데이터셋·메트릭·임계값으로 명확히 답하고, 그 근거(점수·트레이스·아티팩트)를 한곳에서 재현·비교·추적하게 하는 것이 목표입니다. 단순 채점 스크립트가 아니라, RAG 워크로드를 위한 평가 + 관측(Observability) + 분석 레이어입니다.

• 데이터셋 중심 운영 — 합격 기준(threshold)·메트릭·도메인 지식을 데이터셋이 함께 들고 다님
• 리트리버/LLM/프로필 분리 — OpenAI·Ollama·vLLM·Azure·Anthropic를 config/models.yaml 프로필로 교체
• Stage 단위 추적 — input → retrieval → rerank → generation 전 구간을 StageEvent/StageMetric으로 기록
• Open RAG Trace 표준 — OpenTelemetry + OpenInference 스키마로 외부 RAG 시스템도 동일 포맷으로 추적
• Domain Memory & 분석 파이프라인 — 과거 실행에서 학습해 임계값 자동 조정·컨텍스트 보강·개선 가이드 생성
• CLI + Web UI — 동일 run_id/DB/트레이스 위에서 실행·히스토리·비교·리포트를 통합

상태: 안정(Hexagonal 아키텍처, 듀얼 트래커, 2,100+ 통과 테스트). Phase 1–14 + 리팩토링 슬라이스 완료. 최신 변경은 CHANGELOG.md 참조.

---

Quickstart

CLI

uv sync --extra dev
cp .env.example .env   # OPENAI_API_KEY 또는 Ollama/vLLM, 트래커 키 설정

uv run evalvault run --mode simple tests/fixtures/e2e/insurance_qa_korean.json \
  --metrics faithfulness,answer_relevancy \
  --profile dev \
  --auto-analyze

uv run evalvault history          # 실행 이력
uv run evalvault analyze <RUN_ID> # 통계 분석

기본 저장소는 PostgreSQL + pgvector입니다. SQLite를 쓰려면 --db <path> 또는 DB_BACKEND=sqlite + EVALVAULT_DB_PATH를 지정하고, Web UI가 같은 DB를 읽도록 설정을 통일하세요.

Web UI (React + FastAPI)

# 터미널 1 — API
uv run evalvault serve-api --reload

# 터미널 2 — 프론트엔드
cd frontend && npm install && npm run dev

브라우저에서 http://localhost:5173 접속 → Evaluation Studio에서 실행/히스토리, Analysis Lab/Reports에서 점수·인사이트 확인. LLM 리포트 언어는 GET /api/v1/runs/{run_id}/report?language=en(기본 ko)로 선택합니다.

---

핵심 기능

• End-to-End 평가 루프 — 실행 → 채점 → DB 저장 → 추적을 한 명령으로
• Simple / Full 모드 — 입문자는 한 줄 실행, 전문가는 모든 플래그 유지 (run-simple / run-full)
• Artifacts-first — 리포트뿐 아니라 모듈별 원본 결과를 구조화 저장(reports/analysis/artifacts/...)
• 옵션형 Observability — MLflow·Phoenix(기본 듀얼) / Langfuse는 필요할 때만 활성화 (open-circuit: 트래커 장애가 평가를 막지 않음)
• 회귀 게이트(CI/CD) — evalvault regress / ci-gate가 baseline 대비 통계적 회귀를 감지, 안정 스키마 JSON + exit code로 CI 통합 (평가 게이트 verdict는 passed/failed까지 — 릴리스 promote/rollback은 emit하지 않음)
• 실험 관리(A/B) — experiment-* 명령으로 그룹/실행 비교, 결론 기록
• 한국어 NLP — Kiwi 형태소 분석 + BM25 + Dense/Hybrid 리트리벌 (--extra korean)
• Knowledge Graph / GraphRAG — KG 생성 및 top-k vs GraphRAG 비교 실험

---

아키텍처 (Hexagonal · Ports & Adapters)

도메인은 어댑터를 import하지 않으며, 외부 연동은 모두 포트 뒤에 있습니다.

src/evalvault/
├── domain/
│   ├── entities/   # TestCase, Dataset, EvaluationRun, MetricScore, Experiment ...
│   ├── services/   # RagasEvaluator + 분리된 서비스(비용/fallback/메트릭 스코어링/
│   │               #   프롬프트 카탈로그·오버라이드·한국어/언어 판별/claim-level)
│   └── metrics/    # 도메인 커스텀 메트릭
├── ports/
│   ├── inbound/    # EvaluatorPort
│   └── outbound/   # LLMPort, DatasetPort, StoragePort, TrackerPort, DomainMemoryPort ...
├── adapters/
│   ├── inbound/    # CLI(Typer), Web API(FastAPI), MCP
│   └── outbound/
│       ├── llm/       # OpenAI, Azure, Anthropic, Ollama, vLLM (+RetryPolicy)
│       ├── storage/   # SQLite, PostgreSQL(+pgvector)
│       └── tracker/   # MLflow, Phoenix, Langfuse, MultiTrackerAdapter(듀얼 로깅)
└── config/         # Settings, ModelConfig (pydantic-settings), 프로필

Port	Adapter	비고
LLMPort	OpenAI / Azure / Anthropic / Ollama / vLLM	공통 RetryPolicy(timeout+backoff)
StoragePort	SQLite / PostgreSQL(+pgvector)	명시적 --db는 SQLite 강제
TrackerPort	MLflow / Phoenix / Langfuse / MultiTrackerAdapter	기본 mlflow+phoenix 듀얼, open-circuit
EvaluatorPort	RagasEvaluator	Ragas 0.4.x + 커스텀/스테이지 메트릭

상세: docs/handbook/CHAPTERS/01_architecture.md

---

지원 메트릭

Ragas 계열

메트릭	설명
faithfulness	답변이 컨텍스트에 충실한지
answer_relevancy	답변이 질문과 관련있는지 (임베딩 필요)
context_precision	검색 컨텍스트의 정밀도 (ground_truth 필요)
context_recall	필요한 정보가 검색됐는지 (ground_truth 필요)
factual_correctness	ground_truth 대비 사실 정확성
semantic_similarity	답변–ground_truth 의미 유사도 (임베딩 필요)
summary_score / summary_faithfulness	요약 품질 / 요약 충실도

도메인·검색·요약 커스텀 메트릭

insurance_term_accuracy, entity_preservation, exact_match, f1_score, no_answer_accuracy, confidence_score, contextual_relevancy, 검색 랭킹(mrr, ndcg, hit_rate), 요약(summary_accuracy, summary_risk_coverage, summary_non_definitive, summary_needs_followup).

스테이지 메트릭 — StageMetricService가 파이프라인 단계별로 파생: retrieval.precision_at_k, retrieval.recall_at_k, retrieval.latency_ms, rerank.keep_rate, rerank.avg_score, output.citation_count, input.query_length 등.

전체 정의·임계값 정책: docs/handbook/CHAPTERS/02_data_and_metrics.md · 사용 가능한 목록은 uv run evalvault metrics.

---

CLI 표면

명령군(루트 + 서브앱). 전체 옵션은 uv run evalvault <command> --help.

• 평가/실행: run, run-simple, run-full, pipeline, generate(합성 데이터셋)
• 이력/비교/분석: history, export, compare, analyze, analyze-compare, profile-difficulty
• 회귀/게이트: regress, ci-gate, regress-baseline, gate
• 실험(A/B): experiment-create|add-group|add-run|list|compare|conclude|summary
• 보정: calibrate, calibrate-judge
• 설정/관측: config, metrics, serve-api, langfuse-dashboard
• 서브앱: kg, domain, graphrag, benchmark, method, ops, phoenix, prompts, stage, artifacts, debug

워크플로 상세: docs/handbook/CHAPTERS/03_workflows.md

---

데이터셋 포맷 (임계값은 데이터셋에 둔다)

{
  "name": "insurance-qa",
  "version": "1.0.0",
  "thresholds": { "faithfulness": 0.8, "answer_relevancy": 0.7 },
  "test_cases": [
    {
      "id": "tc-001",
      "question": "이 보험의 보장금액은 얼마인가요?",
      "answer": "보장금액은 1억원입니다.",
      "contexts": ["해당 보험의 사망 보장금액은 1억원입니다."],
      "ground_truth": "1억원"
    }
  ]
}

• 필수 필드: id, question, answer, contexts. 미지정 임계값은 0.7로 폴백.
• ground_truth는 context_precision/context_recall/factual_correctness/semantic_similarity에 필요.
• CSV/Excel: threshold_* 컬럼 지원, contexts는 JSON 배열 문자열 또는 | 구분.
• 템플릿: uv run evalvault init(dataset_templates/) 또는 tests/fixtures/sample_dataset.json.

---

LLM 프로필 & 저장소

• 프로필: config/models.yaml의 프로필로 provider/model/embedding을 묶어 --profile dev|prod|vllm ...로 전환. 폐쇄망/온프렘에서도 동일 CLI·Web UI 동작.
• vLLM(OpenAI 호환): EVALVAULT_PROFILE=vllm + VLLM_BASE_URL/VLLM_MODEL(+임베딩 엔드포인트).
• Ollama: ollama pull <model> 후 사용. 툴콜 지원 모델은 OLLAMA_TOOL_MODELS에 나열.
• 저장소: PostgreSQL(+pgvector) 기본, SQLite 옵션. 환경변수는 docs/PROJECT_STATE.md §5.2 / .env.example 참조.

---

Open RAG Trace 표준 (외부/내부 시스템 추적)

OpenTelemetry + OpenInference 기반 표준으로 외부 RAG 시스템도 모듈 단위 span(rag.module) + 로그 이벤트 + 공통 속성 스키마로 트레이스를 emit해 EvalVault 실행과 나란히 분석할 수 있습니다.

# OTel Collector 실행 → http://localhost:4318/v1/traces (또는 Phoenix :6006)
python3 scripts/dev/validate_open_rag_trace.py --input traces.json

• 어댑터: OpenRagTraceAdapter, trace_module, install_open_rag_log_handler
• 스펙: docs/architecture/open-rag-trace-spec.md

---

오프라인 / 폐쇄망

• Docker 이미지 번들: docs/guides/OFFLINE_DOCKER.md
• NLP 모델 캐시 번들: docs/guides/OFFLINE_MODELS.md

LLM 모델은 폐쇄망 내부 인프라가 관리하고, EvalVault는 분석용 NLP 모델 캐시만 번들에 포함합니다.

---

문서 허브

• 진입 문서(SSoT): docs/PROJECT_STATE.md
• 문서 인덱스: docs/INDEX.md · 핸드북: docs/handbook/INDEX.md · 외부 요약: docs/handbook/EXTERNAL.md
• 아키텍처: 01_architecture · 데이터/메트릭: 02_data_and_metrics · 워크플로: 03_workflows
• 운영 런북: 04_operations · 품질/테스트/CI: 06_quality_and_testing · 로드맵: 08_roadmap
• 어댑터 계약(외부 도구 통합): docs/adapter-contract.md · 머신 리더블 상태: .ai-tool-suite/project-state.json · 변경 narrative: docs/development-journal.md

호환성: docs/guides/USER_GUIDE.md, docs/guides/DEV_GUIDE.md 등 일부 문서는 과거 링크 호환용 deprecated 스텁이며 최신 내용은 handbook을 따릅니다.

---

Acknowledgements

메인테이너는 Python Software Foundation 후원 회원(supporting member)으로, 파이썬 생태계를 지원합니다. 🐍

---

License

EvalVault is licensed under the Apache 2.0 license.