多智能体评估框架MAJ-EVAL：实现LLM自动评估与人类多维度评价对齐

摘要

几乎所有人类工作都具有协作性，因此现实世界NLP应用的评估通常需要与多样化人类视角对齐的多维度标准。由于真实人类评估资源稀缺且成本高昂，新兴的"LLM-as-a-judge"范式为利用LLM智能体模拟人类评估者提供了可行方案。然而现有方法存在两个局限：智能体角色描述往往随意设计，且框架难以泛化至其他任务。为此，我们提出MAJ-EVAL多智能体评估框架，能够自动从相关文档（如研究论文）构建具有不同维度的评估者角色，实例化LLM智能体，并通过群体辩论生成多维反馈。在教育与医疗领域的评估实验表明，相比传统自动化评估指标和现有LLM-as-a-judge方法，MAJ-EVAL生成的评估结果与人类专家评分具有更高一致性。

方法架构

1. 角色自动构建：从领域文档提取关键维度，生成具有差异化评估视角的智能体角色描述
2. 多智能体实例化：基于角色描述配置LLM智能体的系统提示和行为参数
3. 群体辩论机制：采用结构化辩论流程使智能体交换论据，最终形成多维评估报告
4. 动态权重调整：根据辩论过程中论据质量自动调整不同维度在最终评估中的权重

实验结果

• 教育领域：在作文评估任务中，MAJ-EVAL与教师评分的Spearman相关系数达0.82，显著优于基线方法
• 医疗领域：对患者咨询回复的评估结果与专家委员会评分的Kappa一致性系数提升37%
• 效率对比：较传统人类评估流程节省89%时间成本，较单智能体方法提升评估维度覆盖率2.4倍

技术贡献

1. 提出首个可自动构建评估维度的多智能体评估框架
2. 设计基于文档分析的动态角色生成算法
3. 实现评估结果与人类多维度标准的高效对齐
4. 开源框架支持快速适配新领域任务