diff --git a/cookbook/evaluation/opencompass_evaluator.ipynb b/cookbook/evaluation/opencompass_evaluator.ipynb
index 5fa99087..29e324e1 100644
--- a/cookbook/evaluation/opencompass_evaluator.ipynb
+++ b/cookbook/evaluation/opencompass_evaluator.ipynb
@@ -4,11 +4,11 @@
    "cell_type": "markdown",
    "metadata": {},
    "source": [
-    "# 在千帆 Python SDK 使用 OpenCompass 提供的评估器\n",
+    "# 在千帆 Python SDK 使用 OpenCompass 提供的功能\n",
     "\n",
     "OpenCompass是由上海人工智能实验室开源的大模型评测平台。它涵盖了学科、语言、知识、理解、推理等五大评测维度，能够全面评估大模型的能力。OpenCompass作为一个评测工具，对于研究和开发大模型的人员来说，是非常有价值的资源。通过使用OpenCompass，用户可以更准确地了解他们的大模型在各项任务上的表现，从而进行针对性的优化和改进。\n",
     "\n",
-    "千帆 Python SDK 中内置的评估模块，支持用户使用 OpenCompass 提供的评估器，对模型的推理结果进行评估。\n",
+    "千帆 Python SDK 中内置的评估模块，支持用户使用 OpenCompass 提供的评估器和 `TEXT_POSTPROCESSORS` 对象，对模型的推理结果进行评估前的预处理，以及评估。\n",
     "\n",
     "# 前置准备\n",
     "\n",
@@ -27,9 +27,7 @@
     {
      "name": "stdout",
      "output_type": "stream",
-     "text": [
-      
-     ]
+     "text": []
     }
    ],
    "source": [
@@ -55,9 +53,7 @@
     {
      "name": "stdout",
      "output_type": "stream",
-     "text": [
-      
-     ]
+     "text": []
     }
    ],
    "source": [
@@ -88,6 +84,34 @@
     "\n",
     "在本教程编写时，用户应可以直接使用上面列表所列的评估器。\n",
     "\n",
+    "而为了使用来自 OpenCompass 的 `TEXT_POSTPROCESSORS` 模块，用户应该首先对其进行一层封装：大多数 `TEXT_POSTPROCESSORS` 函数都只支持传入一个 `str` 参数作为入参。我们需要对 `TEXT_POSTPROCESSORS` 模块进行包装，使其能够额外接收 `**kwargs` 作为入参。\n",
+    "\n",
+    "例如，手动编写一个 `wrapper` 函数"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {
+    "vscode": {
+     "languageId": "shellscript"
+    }
+   },
+   "outputs": [],
+   "source": [
+    "def open_compass_text_post_processor_wrapper(fn: Callable) -> Callable:\n",
+    "    def wrapper(*args, **kwargs) -> str:\n",
+    "        return fn(*args)\n",
+    "\n",
+    "    return wrapper"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "用户可以根据自身的需求，调整实际传入给 `TEXT_POSTPROCESSORS` 参数的入参。例如，有些 `TEXT_POSTPROCESSORS` 参数需要传入 `option` 参数。\n",
+    "\n",
     "下面我们演示如何使用其中的 `PassRateEvaluator` 评估器，`BleuEvaluator` 评估器和 `JiebaRougeEvaluator` 评估器来进行一次评估。\n",
     "\n",
     "## 导入数据集\n",
@@ -144,9 +168,7 @@
     {
      "name": "stderr",
      "output_type": "stream",
-     "text": [
-
-     ]
+     "text": []
     }
    ],
    "source": [
diff --git a/docs/evaluation.md b/docs/evaluation.md
index 29dfaf24..c726d3f9 100644
--- a/docs/evaluation.md
+++ b/docs/evaluation.md
@@ -123,6 +123,18 @@ em = EvaluationManager(local_evaluators=local_evaluators)
 result = em.eval([Model(version_id="amv-qb8ijukaish3")], ds)
 ```
 
+### 评估前预处理 Hook
+
+`EvaluationManager` 对象提供了 `pre_processors` 成员，用户可以设置包含 `Callable` 对象或者 `BaseLocalMapOperator` 对象的数组，以在拿到模型输出之后、评估开始之前，进行一些简单的预处理操作。例如：在大模型输出中提取选择题的答案，方便后续判断是否与选择题的答案一致。
+
+`pre_processors` 数组的对象必须能够接收一个 `str` 对象作为入参，这个对象表示大模型的输出。同时，我们还以命名参数的形式提供了 `input` 与 `reference` 两个入参，代表大模型的输入，以及预期的输出。
+
+调用如下所示：
+
+`pre_processor(single_output, input=single_input, reference=reference)`
+
+预处理器应该返回被处理后的模型输出。
+
 ### 获取评估结果
 
 和在线评估一样，完成离线评估后，评估得到的数据集会被保存在返回的 `EvaluationResult` 对象的 `result_dataset` 成员中。