将 JudgeLM 添加为评估和比较历史测试运行的方式

目前,指标是基于评估期间运行的测试用例计算的。但是，目前没有办法比较历史测试运行的性能，除比较每个测试运行的指标分数外。我想介绍另一种选择最佳配置/超参数的方法，以帮助开发人员利用 DeepEval 加快开发速度，那就是实现JudgeLM（例如 https://GitHub.com/baaivision/JudgeLM），从一组测试运行中选择最佳测试运行。