Score mínimo
score: factualidad: 1-5 utilidad: 1-5 formato: 1-5 seguridad: pass|fail necesita_humano: true|false motivo: "cita inventada en el segundo párrafo"
Quién puntúa
- Reglas deterministas: JSON válido, campos completos, citas presentes.
- Evals automáticas: comparar contra casos esperados.
- LLM-as-judge: útil para triage, no como verdad absoluta.
- Humano: necesario en contenido editorial, legal, financiero o reputacional.
Fuente oficial
Langfuse documenta trazas, evaluación, datasets y scores para aplicaciones LLM self-hostables: https://langfuse.com/docs/observability/overview