0Pricing
AI Prompt Engineering · Lekcja

Testowanie promptów oparte na asercjach

Sprawdzanie wyników za pomocą contains(), wyrażeń regularnych, schematu JSON i LLM-as-judge.

Testowanie promptów oparte na asercjach to bezpłatna lekcja AI Prompt Engineering na CoddyKit. To lekcja 2 z 4. Możesz przeczytać całą lekcję poniżej za darmo — a potem ćwiczyć ją interaktywnie w przeglądarce z wbudowanym edytorem kodu i tutorem AI dostępnym 24/7. To część ścieżki edukacyjnej AI Prompt Engineering, a Twój postęp synchronizuje się między webem a aplikacją CoddyKit. Kurs AI Prompt Engineering zawiera 4 lekcji w sumie.

Asercje dla wyników LLM

Testowanie oparte na asercjach stosuje do LLM tę samą zasadę co testy jednostkowe: formułować jednoznaczne wymagania dotyczące tego, co wynik musi zawierać lub czego nie może zawierać, i natychmiast przerywać test, gdy wymaganie nie jest spełnione.

W przeciwieństwie do testów jednostkowych z deterministycznymi funkcjami, asercje dla LLM dotyczą probabilistycznych wyników tekstowych — wymagają bardziej elastycznych typów asercji: contains, matches_schema, satisfies_regex, llm_judge_score_above.

Podstawowe asercje: contains i not_contains

Najprostsze asercje sprawdzają obecność lub brak słów kluczowych. Dobrze sprawdzają się w zadaniach klasyfikacyjnych, ustrukturyzowanych danych wyjściowych i kontrolach bezpieczeństwa.

import openai
client = openai.OpenAI(api_key='sk-...')

def call_prompt(system, user, temperature=0):
    resp = client.chat.completions.create(
        model='gpt-4o',
        messages=[
            {'role': 'system', 'content': system},
            {'role': 'user', 'content': user}
        ],
        temperature=temperature
    )
    return resp.choices[0].message.content

# Keyword presence assertion
def assert_contains(output, keyword, case_sensitive=False):
    text = output if case_sensitive else output.lower()
    kw = keyword if case_sensitive else keyword.lower()
    assert kw in text, f'Expected "{keyword}" in output, got: {output[:100]}'

# Keyword absence assertion
def assert_not_contains(output, forbidden, case_sensitive=False):
    text = output if case_sensitive else output.lower()
    kw = forbidden if case_sensitive else forbidden.lower()
    assert kw not in text, f'Forbidden "{forbidden}" found in output: {output[:100]}'

Walidacja schematu JSON

Gdy prompt powinien zwracać ustrukturyzowany JSON, należy zweryfikować wynik względem schematu. Niepowodzenie walidacji schematu oznacza problem z formatem promptu — model dodał tekst opisowy albo struktura JSON jest nieprawidłowa.

import json
from jsonschema import validate, ValidationError

PRODUCT_SCHEMA = {
    'type': 'object',
    'properties': {
        'name': {'type': 'string'},
        'price': {'type': 'number', 'minimum': 0},
        'available': {'type': 'boolean'}
    },
    'required': ['name', 'price', 'available'],
    'additionalProperties': False
}

def assert_valid_json_schema(output, schema):
    try:
        data = json.loads(output.strip())
    except json.JSONDecodeError as e:
        raise AssertionError(f'Output is not valid JSON: {e}\nOutput: {output[:200]}')
    try:
        validate(instance=data, schema=schema)
    except ValidationError as e:
        raise AssertionError(f'JSON does not match schema: {e.message}\nOutput: {output[:200]}')
    return data

# Test
output = call_prompt(
    'Extract product info as JSON: {"name": ..., "price": ..., "available": ...}',
    'Widget Pro costs $49.99 and is in stock.'
)
product = assert_valid_json_schema(output, PRODUCT_SCHEMA)
print('Parsed product:', product)

Dopasowywanie wyrażeń regularnych

Asercje oparte na wyrażeniach regularnych precyzyjnie weryfikują format danych wyjściowych — są przydatne w przypadku wyników, które powinny pasować do określonego wzorca, na przykład dat, numerów telefonów lub ustrukturyzowanych kodów.

import re

def assert_matches_regex(output, pattern, flags=0):
    if not re.search(pattern, output, flags):
        raise AssertionError(
            f'Output does not match pattern /{pattern}/\nOutput: {output[:200]}'
        )

def assert_output_is_label(output, valid_labels):
    cleaned = output.strip().upper()
    assert cleaned in valid_labels, (
        f'Expected one of {valid_labels}, got: {repr(cleaned)}'
    )

# Examples
output = call_prompt('Classify sentiment as POSITIVE, NEGATIVE, or NEUTRAL:', 'Great product!')
assert_output_is_label(output, {'POSITIVE', 'NEGATIVE', 'NEUTRAL'})

date_output = call_prompt('Extract the date in YYYY-MM-DD format:', 'Meeting on November 15, 2024')
assert_matches_regex(date_output, r'^\d{4}-\d{2}-\d{2}$')

Ocenianie przez LLM jako sędziego

W przypadku otwartych odpowiedzi należy użyć drugiego wywołania LLM do oceny jakości. Nazywa się to LLM-as-judge. Model oceniający otrzymuje oryginalny prompt, wynik oraz kryteria oceny, a następnie zwraca ocenę.

def llm_judge_score(original_prompt, output, criteria, max_score=10):
    judge_prompt = (
        f'Evaluate the following AI response on a scale of 1-{max_score}.\n'
        f'Evaluation criteria: {criteria}\n\n'
        f'Original prompt: {original_prompt}\n\n'
        f'AI response: {output}\n\n'
        f'Return only a number from 1 to {max_score}.'
    )
    resp = client.chat.completions.create(
        model='gpt-4o-mini',
        messages=[{'role': 'user', 'content': judge_prompt}],
        temperature=0
    )
    score_text = resp.choices[0].message.content.strip()
    return int(score_text)

def assert_llm_score_above(original_prompt, output, criteria, min_score=7):
    score = llm_judge_score(original_prompt, output, criteria)
    assert score >= min_score, f'LLM judge score {score} < minimum {min_score}'

Używanie pytest do testów promptów

pytest to standardowy framework testowy języka Python, który dobrze sprawdza się w testach promptów. Każda funkcja testowa odpowiada jednemu przypadkowi testowemu. pytest automatycznie zbiera, uruchamia i raportuje wyniki testów.

# test_sentiment_prompt.py
import pytest
import openai

client = openai.OpenAI(api_key='sk-...')
SYSTEM_PROMPT = 'Classify the sentiment as POSITIVE, NEGATIVE, or NEUTRAL. Return only the label.'

def classify(text):
    resp = client.chat.completions.create(
        model='gpt-4o',
        messages=[
            {'role': 'system', 'content': SYSTEM_PROMPT},
            {'role': 'user', 'content': text}
        ],
        temperature=0
    )
    return resp.choices[0].message.content.strip().upper()

# pytest automatically discovers functions starting with test_
def test_positive_sentiment():
    assert classify('I love this product!') == 'POSITIVE'

def test_negative_sentiment():
    assert classify('Terrible experience.') == 'NEGATIVE'

def test_neutral_sentiment():
    assert classify('It arrived on time.') == 'NEUTRAL'

# Run: pytest test_sentiment_prompt.py -v

Testy parametryzowane w pytest

Użyj @pytest.mark.parametrize, aby uruchamiać tę samą funkcję testową dla wielu danych wejściowych bez powtarzania kodu. To najczytelniejszy sposób na utworzenie kompleksowego zestawu testów.

# test_sentiment_parametrized.py
import pytest

TEST_CASES = [
    ('I love this!', 'POSITIVE'),
    ('Worst purchase ever.', 'NEGATIVE'),
    ('It works.', 'NEUTRAL'),
    ('Amazing!', 'POSITIVE'),
    ('Terrible!', 'NEGATIVE'),
    ('OK I guess.', 'NEUTRAL'),
]

@pytest.mark.parametrize('text,expected', TEST_CASES)
def test_sentiment_classification(text, expected):
    result = classify(text)
    assert result == expected, f'For "{text}": expected {expected}, got {result}'

# pytest test_sentiment_parametrized.py -v
# Output shows each test case individually:
# PASSED test_sentiment_parametrized.py::test_sentiment_classification[I love this!-POSITIVE]
# PASSED test_sentiment_parametrized.py::test_sentiment_classification[Worst purchase ever.-NEGATIVE]

Fixtures do współdzielenia stanu promptów

Użyj mechanizmu fixtures w pytest, aby współdzielić kosztowną konfigurację między testami — na przykład wczytać szablon promptu lub utworzyć klienta API raz na całą sesję testową.

# conftest.py — fixtures available to all test files in the directory
import pytest
import openai

@pytest.fixture(scope='session')
def llm_client():
    return openai.OpenAI(api_key='sk-...')

@pytest.fixture(scope='session')
def sentiment_prompt():
    with open('prompts/sentiment_v3.txt') as f:
        return f.read()

# test_sentiment.py
def test_positive_with_fixture(llm_client, sentiment_prompt):
    resp = llm_client.chat.completions.create(
        model='gpt-4o',
        messages=[
            {'role': 'system', 'content': sentiment_prompt},
            {'role': 'user', 'content': 'I love this!'}
        ],
        temperature=0
    )
    assert 'POSITIVE' in resp.choices[0].message.content.upper()

Obsługa niestabilnych testów

Wyniki LLM są probabilistyczne — nawet przy temperature=0 różne wdrożenia lub wersje modelu mogą zwracać różne wyniki. Niestabilność należy obsługiwać za pomocą logiki ponawiania prób i progów tolerancji.

import pytest

def run_with_retry(fn, n=3):
    '''Run fn up to n times, pass if any run succeeds.'''
    failures = []
    for _ in range(n):
        try:
            fn()
            return  # passed
        except AssertionError as e:
            failures.append(str(e))
    raise AssertionError(f'Failed all {n} attempts. Last: {failures[-1]}')

def test_positive_with_retry():
    def check():
        result = classify('I love this!')
        assert result == 'POSITIVE'
    run_with_retry(check, n=3)

# Or use pytest-retry plugin:
# @pytest.mark.flaky(reruns=3)
# def test_positive_sentiment():
#     assert classify('I love this!') == 'POSITIVE'

Wydajność i koszt testów

Każdy przypadek testowy to wywołanie API — przy 100 przypadkach testowych i koszcie $0.005/wywołanie = $0.50 za pełne uruchomienie testów. Strategie zarządzania kosztami:

  • Buforuj odpowiedzi dla statycznych danych wejściowych testów i uruchamiaj testy z pamięci podręcznej w CI
  • Uruchamiaj pełny zestaw testów co noc; przy każdym PR uruchamiaj tylko podzbiór smoke testów (10 przypadków)
  • Używaj tańszego modelu (gpt-4o-mini) do większości testów; gpt-4o wykorzystuj tylko w zestawie testów regresyjnych
import hashlib, json

RESPONSE_CACHE = {}

def cached_classify(text, use_cache=True):
    key = hashlib.md5(text.encode()).hexdigest()
    if use_cache and key in RESPONSE_CACHE:
        return RESPONSE_CACHE[key]
    result = classify(text)
    RESPONSE_CACHE[key] = result
    return result

# Persist cache to disk for CI
def load_cache(path='test_cache.json'):
    global RESPONSE_CACHE
    try:
        with open(path) as f:
            RESPONSE_CACHE = json.load(f)
    except FileNotFoundError:
        RESPONSE_CACHE = {}

def save_cache(path='test_cache.json'):
    with open(path, 'w') as f:
        json.dump(RESPONSE_CACHE, f, indent=2)

Raporty wyników testów

pytest tworzy szczegółowe raporty, które wskazują, które przypadki testowe zakończyły się niepowodzeniem i dlaczego. Użyj pytest --tb=short -v, aby wyświetlić zwięzłe komunikaty o błędach. W CI użyj --junitxml, aby utworzyć raporty JUnit XML kompatybilne z GitHub Actions, GitLab CI i Jenkins.

# Run test suite and generate reports
# In terminal:
# pytest tests/prompt/ -v --tb=short --junitxml=test_results.xml

# In Python (for programmatic use):
import subprocess

def run_prompt_tests(test_dir='tests/prompt'):
    result = subprocess.run(
        ['pytest', test_dir, '-v', '--tb=short', '--junitxml=test_results.xml'],
        capture_output=True, text=True
    )
    print(result.stdout)
    if result.returncode != 0:
        print('TESTS FAILED')
        print(result.stderr)
    return result.returncode == 0

passed = run_prompt_tests()

Sprawdzenie wiedzy

Kiedy w testowaniu promptów należy użyć LLM-as-judge zamiast asercji dokładnego dopasowania?

Podsumowanie: testowanie promptów oparte na asercjach

Najważniejsze typy asercji dla danych wyjściowych LLM:

  • contains / not_contains: obecność słów kluczowych — dobre rozwiązanie dla etykiet i kontroli bezpieczeństwa
  • Walidacja schematu JSON: weryfikuje format ustrukturyzowanych danych wyjściowych
  • Dopasowywanie wyrażeń regularnych: weryfikuje określone wzorce (daty, kody)
  • LLM-as-judge: ocenia jakość otwartych wypowiedzi

Używaj pytest wraz z @pytest.mark.parametrize, aby tworzyć przejrzyste i skalowalne zestawy testów. Buforuj odpowiedzi, aby zarządzać kosztami. Przy każdym PR uruchamiaj podzbiór smoke testów, a pełny zestaw — co noc. Następna lekcja: testowanie regresji przy aktualizacjach modeli.

Często zadawane pytania

Czy lekcja „Testowanie promptów oparte na asercjach” jest bezpłatna?

Tak — pełny tekst „Testowanie promptów oparte na asercjach” jest dostępny za darmo tutaj w sieci. Aby ćwiczyć ją interaktywnie (wbudowany edytor kodu i tutor AI dostępny 24/7) i odblokować resztę kursu AI Prompt Engineering, przejdź na CoddyKit PRO. Kurs AI Prompt Engineering zawiera 4 lekcji w sumie.

Co nauczysz się w „Testowanie promptów oparte na asercjach”?

Sprawdzanie wyników za pomocą contains(), wyrażeń regularnych, schematu JSON i LLM-as-judge. Ćwiczysz AI Prompt Engineering z praktycznym kodem, który uruchamiasz bezpośrednio w przeglądarce, a tutor AI dostępny 24/7 odpowiada na Twoje pytania podczas pracy nad lekcją.

Czy potrzebuję doświadczenia, aby zacząć AI Prompt Engineering?

Nie wymagamy żadnego doświadczenia. AI Prompt Engineering w CoddyKit jest strukturyzowany dla początkujących i zaawansowanych użytkowników, więc możesz zacząć tutaj lub od początku i uczyć się w swoim tempie. To lekcja 2 z 4.

Ile czasu zajmuje lekcja „Testowanie promptów oparte na asercjach”?

Większość lekcji CoddyKit trwa około 5–10 minut. Każda lekcja to mały, interaktywny krok, dzięki czemu robisz systematyczne postępy i zawsze wracasz dokładnie do tego samego miejsca — na webie i w aplikacji.

Czy mogę pisać i uruchamiać kod w tej lekcji AI Prompt Engineering?

Tak. Każda lekcja AI Prompt Engineering zawiera wbudowany edytor kodu, więc piszesz i uruchamiasz prawdziwy kod bezpośrednio w przeglądarce i od razu otrzymujesz sprzężenie zwrotne od AI — bez konfiguracji na komputerze.

Wszystkie lekcje w tym kursie

  1. Pisanie przypadków testowych promptów
  2. Testowanie promptów oparte na asercjach
  3. Testy regresji po aktualizacji modelu
  4. Tworzenie zestawu testów promptów
← Powrót do AI Prompt Engineering