一站式监控 ML 和 LLM，100+ 指标防模型退化
Evidently 是一个开源的机器学习和大型语言模型可观测性框架，用于评估、测试和监控任何 AI 驱动的系统或数据管道，覆盖从表格数据到生成式 AI 的广泛场景。它提供 100 多种指标，包括数据漂移检测、数据质量验证、模型性能评估以及 LLM 特定的指标（如幻觉、答案相关性等）。核心能力包括生成详细的 HTML 报告、支持 Jupyter Notebook 交互式分析、可集成到 CI/CD 流程中实现持续监控，并支持自定义指标和测试。该项目旨在帮助数据科学家和 ML 工程师在生产环境中快速发现模型退化、数据分布变化等问题，从而提升 AI 系统的可靠性和可维护性。
1用 pip 安装
README 推荐的首选方式，从 PyPI 安装 Evidently 库，适合绝大多数 Python 环境。
pip install evidently2或改用 Conda 安装
若你使用 Conda 管理环境，可改用 conda-forge 频道安装；与 pip 方式二选一即可。
conda install -c conda-forge evidently3验证安装
在命令行中导入 evidently，不报 ModuleNotFoundError 即说明安装成功。
python -c "import evidently"执行 python -c "import evidently" 无任何报错，即表示安装成功。
Q：应该选 pip 还是 conda 安装？
A：README 同时给出两种方式，按你当前的环境管理工具选择其一即可，不建议在同一环境中混用两种方式重复安装。
Q：conda 安装提示找不到包怎么办？
A：确认命令中带有 -c conda-forge 频道参数，README 明确要求通过 conda-forge 频道安装 Evidently。
Q：安装后去哪看使用文档？
A：README 顶部提供了官方文档 docs.evidentlyai.com 与 API Reference 链接，可查阅完整的指标与用法说明。
Q：Evidently 能做 LLM 评估吗？
A：可以。它是用于评估、测试和监控 ML 与 LLM 系统的开源框架，内置 100+ 指标，包含数据漂移检测、LLM 评判（如幻觉、答案相关性）等。
WhyLabs、Arize Phoenix、MLflow
evidently 是基础设施领域的开源项目，由 evidentlyai 开发，2020 年首次发布。
在全站 13,090 个收录项目中，它的 GitHub 星标数（7,933）位列前 6%，在基础设施分类的 1,132 个项目里位列前 9%。
近 41 天，它的 GitHub 星标从 7,800 增加到 7,933，净增 133。
项目保持着较活跃的维护节奏，最近一次代码更新于 2026-09-22。Apache-2.0 许可证，全部功能免费，无付费版本。
它主要面向的使用场景是：监控生产环境中机器学习模型的数据漂移和性能退化。同类可对比的替代方案包括 WhyLabs、Arize Phoenix、MLflow。
上一篇：phoenix
下一篇：openllmetry
freebuff-proxy
开源
聚合多账号，一键接入 OpenAI 兼容 API，轻松管理会话。
Multi-account OpenAI-compatible gateway for coding models. Pooled keys, session life···
microduck
开源
用 Rust 造一只会走路的桌面小鸭，快速上手双足机器人。
A Tiny biped duck robot
soperator
开源
用 Kubernetes 原生方式运行 Slurm，简化 HPC 集群管理。
Run Slurm in Kubernetes
ollama
开源
一条命令本地跑起大模型，免费、私密、不卡顿
Get up and running with Kimi, GLM, MiniMax, DeepSeek, gpt-oss, Qwen, Gemma and other···