1）数据漂移检测：内置多种统计检验方法，可检测数值型、类别型特征、目标变量以及 Embedding 向量的数据漂移和概念漂移；2）模型性能监控：支持分类、回归、排序等模型，持续跟踪准确率、精确率、召回率、误差分布等指标；3）数据质量检测：识别缺失值、重复记录、异常值、特征范围漂移等问题；4）LLM 评估：提供 LLM 输出质量评估、RAG 检索质量检测、LLM as Judge 评测等功能；5）声明式测试套件：通过声明式 API 定义测试条件与阈值，实现自动化质量门禁；6）可视化与报告：生成交互式 HTML 报告，支持自托管监控面板，跟踪指标随时间的变化趋势；7）集成能力：可与 FastAPI、Airflow、MLflow 等工具及 CI/CD 流程集成，并可导出 JSON 结果供外部系统消费。

使用 Evidently 非常简单，一般只需四步：第一步，安装库，执行 pip install evidently 即可；第二步，准备数据，将参考数据集（通常是训练集）和当前数据集（生产环境数据）加载为 pandas.DataFrame；第三步，创建报告，从 100+ 内置指标中选择需要的 Metrics 或 Tests，构建 Report 或 TestSuite 对象；第四步，运行并查看结果，调用 report.run() 生成 HTML 报告或 JSON 摘要。若要实现生产环境的持续监控，可将 Evidently 接入模型服务，定期计算指标并自托管 Monitoring Dashboard 观察趋势；对于 LLM 应用，还可连接 Evidently Cloud 或本地平台进行追踪与可视化。整个上手流程通常在几分钟内即可完成。

其一，开源免费：采用 Apache 2.0 协议，代码完全透明，无供应商锁定，既可作为独立库使用，也可自托管部署，适合对数据安全有严格要求的企业。其二，开箱即用：内置 100+ 现成评估指标与测试，覆盖数据质量、漂移、模型性能和 LLM 评估，大大降低了构建监控体系的门槛。其三，覆盖全面：同时支持传统机器学习模型（分类、回归、排序）与生成式 AI（LLM、RAG、多智能体），一套工具贯通 ML 与 LLM 场景。其四，高度可定制：统计检验方法、指标组合、可视化组件均可按需调整，并支持自定义指标与扩展。其五，社区活跃、文档完善：拥有丰富的教程、示例代码和活跃的开源社区，配套 Evidently Cloud 提供团队协作能力。

在 ML 监测与漂移检测领域，Evidently 常与 WhyLabs 和 NannyML 等工具对比。与 WhyLabs 相比，两者都提供漂移检测与质量监控，但 Evidently 以 Apache 2.0 开源库为核心，可完全自托管、在任意 Python 脚本中运行，且内置更全面的 LLM 与 RAG 评估能力；而 WhyLabs 更侧重商业化的集中式 SaaS 平台，提供多团队角色权限、审计日志等企业级功能，但对需要定制和无锁定部署的团队而言，Evidently 更灵活。与 NannyML 相比，Evidently 更专注于漂移检测、数据质量与可视化报告，覆盖面更广；NannyML 则擅长在没有真实标签时进行性能估计。整体上，Evidently 在开源完整性、指标丰富度和易用性上表现突出，社区评分也相对更高。

Q1：如何报告 Bug 或提问？可在 GitHub 仓库检查或新建 Issue，也可加入官方 Discord 社区咨询。Q2：支持大数据集和分布式计算吗？目前可通过采样策略处理超大数据集，官方计划在后续版本加入分布式计算支持。Q3：测试和报告结果能否导出或集成？可以自托管监控面板，也可将报告摘要导出为 JSON 或 Python 字典，与外部工具和预测流水线集成。Q4：生成的 HTML 报告太大怎么办？0.3.2 版本起可视化默认聚合，可大幅减小文件体积；如需原始数据建议使用随机或分层采样。Q5：能否添加新的图表类型或指标？官方鼓励通过自定义指标扩展，同时会平衡内置指标的通用性与可维护性。Q6：Evidently 是否免费？开源库完全免费，另提供带团队协作与无代码监控功能的商业版 Evidently Cloud。