> ## Documentation Index
> Fetch the complete documentation index at: https://docs.tokenlab.sh/llms.txt
> Use this file to discover all available pages before exploring further.

# Ragas

> Evaluieren Sie LLM-Apps mit Ragas und TokenLab

## Überblick

Ragas kann TokenLab-gestützte Anwendungen evaluieren, indem ein OpenAI-kompatibler `AsyncOpenAI`-Client an `llm_factory` übergeben wird.

<Note>
  **Typ**: Evaluations-Framework

  **Primärer Pfad**: OpenAI-kompatible Chat Completions

  **Support-Status**: Unterstützter OpenAI-kompatibler Pfad
</Note>

## Umgebung

```bash theme={null}
export TOKENLAB_API_KEY="sk-your-tokenlab-key"
```

## Beispiel-Evaluator

```python theme={null}
import os

from openai import AsyncOpenAI
from ragas.llms import llm_factory
from ragas.metrics import DiscreteMetric

client = AsyncOpenAI(
    api_key=os.environ["TOKENLAB_API_KEY"],
    base_url="https://api.tokenlab.sh/v1",
)
llm = llm_factory("claude-sonnet-5", client=client)

metric = DiscreteMetric(
    name="summary_accuracy",
    allowed_values=["accurate", "inaccurate"],
    prompt="Evaluate whether the response is accurate. Answer only accurate or inaccurate.\n\nResponse: {response}",
)
```

Verwenden Sie `llm` in Ragas-Metriken und Testsets auf die gleiche Weise, wie Sie ein OpenAI SDK-gestütztes Modell verwenden würden.

## Hinweise zu Endpunkten

Ragas verwendet hier den OpenAI SDK-Client-Pfad. Native TokenLab-Responses, Anthropic Messages und Gemini-Routen werden am besten über Evaluations-Runner genutzt, die diese Request-Formate direkt unterstützen.