DeepEval 新出 JevEval：LLM 评估不用生成式裁判，评分终于不飘了

LLM 评估的老毛病是：让一个模型去给另一个模型打分，标准自己解读、推理自己发挥、结果自己生成——容易飘、贵、慢，JSON 还经常炸。DeepEval 新推出的 JevEval 换了个思路：不用生成式裁判，改用 Jev 做自定义评估裁判。

和传统 LLM-as-a-Judge 对比，JevEval 的决策结构由你定好：权重自己配，strict_mode 一开就是硬门槛。支持 Yes/No、分级 Score、Choice 三种题型，特别适合评 Agent 的执行轨迹：工具选对没、动作顺序对不对、任务到底完成没，都能直接判定。

3 分钟上手流程：先装依赖 pip install -U deepeval typesafe-sdk；再配置 TYPESAFE 的 API Key；然后用 Noul（是/否）、Score（分级）、Choice（行为选择）定义判断问题，可加权、可开 strict_mode；最后丢进 JevEval 跑，支持单轮、多轮，甚至直接评 Agent 轨迹。

调用 evaluate() 后拿到的是 0–1 的稳定分数，外加可追溯的 score_breakdown，每一项得分从哪来都查得到。自定义评估这下真能当“规格说明书”用了，而不是每次换个裁判就换个结果。

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

完整文档：https://deepeval.com/docs/metrics-jev-eval