更新时间：2026-03-20 GMT+08:00
细节丰富度
细节丰富度评估器
分类 | 详情 | |
|---|---|---|
基础信息 | 评估器名称 | 细节丰富度 |
效果说明 | 功能概述 | 检查输出内容是否表现出关注细节。 |
评估方式 | LLM评估 | |
评估目标 | 文本、输出质量 | |
应用场景 | 适用于产品描述、操作指南、故障排查、创意写作等需要精确传达信息的场景，确保模型输出涵盖关键细节，避免笼统模糊导致理解偏差或执行失误。 | |
评分标准 | 1.0分 | 细节极其丰富，关键要素完整呈现，粒度恰当，无遗漏，用户无需额外追问即可全面理解。 |
0.75 | 细节较为丰富，核心要素覆盖较好，偶有次要细节省略，不影响整体理解。 | |
0.5 | 细节一般，关键要素部分缺失或粒度不足，用户需结合常识推断或补充提问。 | |
0.25分 | 细节匮乏，大量关键要素缺失，表述笼统模糊，用户难以形成清晰认知。 | |
0.0分 | 无细节可言，内容空洞抽象，关键信息全部缺失，完全无法指导理解或行动。 | |
评估器参数说明：
参数类型 | 参数名称 | 是否必填 | 参数说明 |
|---|---|---|---|
输入参数 | input | 是 | 用户的输入问题，提供评估的上下文背景。 |
actual_output | 是 | 智能体针对该问题的实际输出结果。 | |
输出参数 | score | 是 | 评估得分（0.0 / 0.25 / 0.5 / 0.75 / 1.0）。 |
reason | 是 | 评分理由说明。 |
输入格式示例：
{
"input": "如何提高Python程序的运行效率？",
"actual_output": "可以使用列表推导式、避免全局变量、多用内置函数，这样会快一点。"
} 输出格式示例：
{
"score": "0.5",
"reason": "回复虽提及优化方向，但未给出具体示例、性能对比数据或代码片段，缺乏对“列表推导式为何更快”等关键机制的解释，属于“细节不足/一般”水平。"
} 
