面试题 · 评估
请详细说明检索增强生成(RAG)系统的评估方法和指标体系。
RAG评估要分检索层和生成层两个维度，最后才是端到端评估。
经典指标
按学习路线查看教程、项目和面试题。
评估方式：需要人工标注query对应的黄金文档集，或用合成数据自动验证。
传统NLP指标（参考意义有限）
RAG专用指标
主流开源方案，用LLM做裁判：
Faithfulness = 生成claims中被上下文支持的比例
Context Precision = 对上下文相关性判断的排序精度（类似Average Precision），关注相关项位置
Answer Correctness（以RAGAS v0.1.21为例）= 事实正确性与语义相似度的加权组合，不等于仅语义相似度| 场景 | 推荐做法 |
|---|---|
| 快速迭代 | RAGAS自动评估 + 少量人工抽检 |
| 上线前 | 构建领域测试集，分维度打标 |
| 线上监控 | 用户反馈（点赞/点踩）+ 埋点分析检索为空率 |
关键认知：忠实于上下文不等于现实事实正确，正确但缺少引用与有引用却基于错误资料也要区分。按场景同时评估忠实度、事实、完整性、拒答及成本，不给指标排通用优先级。版本、裁判与人工校准记录应固定。
场景切入
假设你在做电商客服，用户问‘我的订单到哪了’，系统先检索知识库再生成回答。你怎么知道检索到的文档对不对、生成的内容有没有瞎编？具体用什么指标来衡量？
层层追问
RAG效果好不好，你一般怎么评估？……光看生成回答够吗？……检索部分怎么量化？有没有一个统一的框架把检索和生成都管起来？
直球架构
请设计RAG系统的评估方案，分检索和生成两个层面，列出具体指标，再给一个端到端的自动化评估框架。实际项目中你会怎么平衡自动评估和人工抽检？
这道题问的是[[RAG]]评估，但我觉得它真正在问的是：你怎么在检索和生成这两段之间做质量博弈，并且落地时不被指标骗了。
我会把评估拆成两个层面，先检索层，再生成层，最后看端到端，但每个层面都有坑。
先说检索层。Recall@K衡量Top-K覆盖了多少已标注相关文档，分母是相关文档总数；Hit@K衡量至少命中一个相关结果的query比例，不能混为一谈。但这里有个常见误区：很多人上来就追Recall@K到95%以上，其实没必要。比如客服退款场景，用户问“退款到哪了”，若黄金集中有4篇相关文档，Top-3只命中1篇，则Recall@3是25%，该query的Hit@3是1；只有黄金相关集仅1篇时，召回它才是100%。业务是否只需一份证据，须另按问题需求判断。所以我会把Recall@K和MRR搭配看，MRR对第一个相关结果的排名倒数求平均，更偏向首个命中的排序质量。如果MRR低，说明正确答案虽然召回了但排在很后面，生成模型可能压根没用到它，那就需要优化排序。
再就是生成层。传统NLP指标像BLEU、ROUGE，在RAG里参考意义有限，因为答案可以措辞不同但意思对。我更关注[[Faithfulness]]，也就是忠实度，说白了就是生成内容有没有被检索文档支持。它与Answer Correctness关注不同问题：忠实于错误资料仍可能不符合现实事实，不能给二者排通用名次。宁可答得少，不能瞎编。比如企业SOP合规场景，员工问“报销流程”，模型如果编一个不存在的审批节点，那就是事故。所以我会用NLI模型或者LLM做裁判，逐句检查生成内容能否从上下文里找到依据。
然后是端到端，主流框架是[[RAGAS]]，用LLM当裁判。它有Faithfulness、[[Context Precision]]等指标；Context Precision考虑相关项的排序位置。以v0.1.21的Answer Correctness为例，它组合事实正确性与语义相似度，不是只算embedding相似度，需固定版本。但这里有个前提：裁判LLM本身要靠谱。如果裁判模型能力不够，它可能分不清哪些是忠实哪些是编的。所以我会先用一批人工标注的测试集校准裁判的准确率，按业务错误类型、标注一致性与误判成本决定是否换模型或调整prompt，不预设通用90%门槛。
说到这，其实还有一个更隐蔽的问题：RAGAS的Context Precision指标，它假设检索结果里有用的文档排在前面就好，但现实里，如果检索结果里混入了和问题高度相关但误导性的文档，这个指标反而会骗人。所以落地时，我会额外关注检索结果的“有害相关”比例。
最后说落地策略。没有银弹，我更倾向按场景分层：快速迭代时用RAGAS自动评估加少量人工抽检；上线前必须构建领域测试集，分维度打标；线上监控则靠用户反馈和埋点。检索覆盖、排序、答案支持、事实正确和完整性一起看，再按任务风险定义上线门槛；Recall是质量覆盖指标，不是运行效率指标。
这就是我对RAG评估的理解，核心是分层看、抓底线、用工具但不盲信。