pip install giskard           # checks (+ agents, llm, core)
pip install "giskard[scan]"   # + vulnerability / quality scan
pip install "giskard[openai]" # provider SDK for LLM judges / generators

Extra	जोड़ता है
(कोई नहीं)	`giskard-checks` और निर्भरताएँ
`scan`	`giskard-scan`
`openai` / `anthropic` / …	provider SDKs (देखें `pyproject.toml` वैकल्पिक निर्भरताएँ)

स्थिति	पैकेज	विवरण
✅ स्थिर	`giskard-checks`	परीक्षण और मूल्यांकन — परिदृश्य API, अंतर्निहित जाँचें, LLM-as-judge
✅ स्थिर	`giskard-scan`	एजेंट भेद्यता स्कैनर + RAG/गुणवत्ता मूल्यांकन — red teaming, प्रॉम्प्ट इंजेक्शन, jailbreaks और हानिकारक सामग्री (`vulnerability_scan`, v2 Scan का उत्तराधिकारी), साथ ही ज्ञान-आधार गुणवत्ता मूल्यांकन (`quality_scan`, v2 RAGET का उत्तराधिकारी)

import asyncio
from giskard.checks import Scenario, Groundedness


def get_answer(inputs: str) -> str:
    return "Paris"  # replace with your model / agent


async def main() -> None:
    scenario = (
        Scenario("test_france_capital")
        .interact(inputs="What is the capital of France?", outputs=get_answer)
        .check(
            Groundedness(
                name="answer is grounded",
                context="France is in Western Europe. Its capital is Paris.",
            )
        )
    )
    result = await scenario.run()
    result.print_report()


asyncio.run(main())

import asyncio
from giskard.scan import vulnerability_scan


async def my_agent(inputs: str) -> str:
    # Replace with your agent / model call
    return f"Echo: {inputs}"


async def main() -> None:
    await vulnerability_scan(
        target=my_agent,
        description="A customer support chatbot for an e-commerce platform.",
        languages=["en"],
    )


asyncio.run(main())

import giskard
import pandas as pd


# Replace my_llm_chain with your actual LLM chain or model inference logic
def model_predict(df: pd.DataFrame):
    """The function takes a DataFrame and must return a list of outputs (one per row)."""
    return [my_llm_chain.run({"query": question}) for question in df["question"]]


giskard_model = giskard.Model(
    model=model_predict,
    model_type="text_generation",
    name="My LLM Application",
    description="A question answering assistant",
    feature_names=["question"],
)

scan_results = giskard.scan(giskard_model)
display(scan_results)

import pandas as pd
from giskard.rag import generate_testset, KnowledgeBase

# Load your knowledge base documents
df = pd.read_csv("path/to/your/knowledge_base.csv")
knowledge_base = KnowledgeBase.from_pandas(df, columns=["column_1", "column_2"])

testset = generate_testset(
    knowledge_base,
    num_questions=60,
    language="en",
    agent_description="A customer support chatbot for company X",
)

giskard-oss

सबसे लोकप्रिय

दस्तावेज़ • वेबसाइट • समुदाय

इंस्टॉल करें

Giskard Checks — एजेंटों के परीक्षण के लिए evals बनाएँ और लागू करें

अवधारणाएँ

त्वरित प्रारंभ

Giskard Scan — AI एजेंटों के लिए भेद्यता स्कैनर

त्वरित प्रारंभ

Giskard v2 खोज रहे हैं?

Scan — प्रदर्शन, पूर्वाग्रह और सुरक्षा मुद्दों का स्वचालित रूप से पता लगाएँ

RAGET — RAG अनुप्रयोगों के लिए मूल्यांकन डेटासेट उत्पन्न करें

👋 समुदाय

giskard-oss

सबसे लोकप्रिय

एजेंटिक सिस्टम के लिए Evals, Red Teaming और टेस्ट जनरेशन

मॉड्यूलर, हल्का, डायनामिक और Async-प्रथम

दस्तावेज़ • वेबसाइट • समुदाय

इंस्टॉल करें

Giskard Checks — एजेंटों के परीक्षण के लिए evals बनाएँ और लागू करें

अवधारणाएँ

त्वरित प्रारंभ

Giskard Scan — AI एजेंटों के लिए भेद्यता स्कैनर

त्वरित प्रारंभ

Giskard v2 खोज रहे हैं?

Scan — प्रदर्शन, पूर्वाग्रह और सुरक्षा मुद्दों का स्वचालित रूप से पता लगाएँ

RAGET — RAG अनुप्रयोगों के लिए मूल्यांकन डेटासेट उत्पन्न करें

👋 समुदाय