完整题目
在检索增强生成（RAG）系统的实际应用中，通常采用哪些评估指标和方法来评估系统性能？请从检索质量和生成质量两个维度进行说明。
本文目录
答案要点
- 检索质量指标：Recall@K、MRR、NDCG、命中率
- 生成质量指标：忠实性、答案相关性、上下文相关性
- 端到端评估方法：RAGAS、ARES、人工评估
- 指标选择需结合业务场景，没有银弹
一、检索质量评估
核心指标
- Recall@K：Top-K命中的相关文档数 / 黄金相关文档总数，关注覆盖；Top-K中相关占比是Precision@K。
- MRR（平均倒数排名）：逐query取首个相关文档排名倒数，再求均值；未命中记0，并说明截断K。
- NDCG：考虑位置加权的排序质量，关注"排好"
- 命中率（Hit Rate）：查询是否命中至少一个相关文档
评估方式
- 需人工标注query-doc的相关性标签（二元或分级）
- Embedding/LLM可辅助产生候选标注，但它们有噪声和评估循环风险；应以独立人工复核集校准，不能直接把同一检索器的相似度当黄金相关性。
二、生成质量评估
忠实性（Faithfulness）
- 答案是否基于检索内容，有无幻觉
- 常用方法：NLI模型判断陈述与文档的蕴含关系
答案相关性（Answer Relevance）
- 答案是否直接回应问题，有无跑题
- 可用问题-答案Embedding相似度或LLM打分
上下文相关性（Context Relevance）
- 检索到的文档与问题的相关程度
- 剔除冗余、无关信息的能力
三、端到端评估框架
| 框架 | 特点 |
|---|---|
| RAGAS | 包含参考无关与需要reference的不同指标；如Context Recall需参考信息，自动裁判仍须人工校准 |
| ARES | 合成数据训练评判模型，成本更低 |
| TruLens | 可解释性强，提供逐层追溯 |
| 人工评估 | 最终标准，A/B测试、专家打分 |
四、实践经验
- 指标要分层：先保检索召回，再优化生成质量
- RAGAS的坑：LLM打分不稳定，建议用GPT-4级模型，或本地大模型+校准
- 业务定制：客服场景加"解决率"，知识问答加"信息完整性"
参考资料
换一种问法，检查是否真正理解
场景切入
假设你们做一个企业知识库问答系统，用户问“今年的报销政策”，你从文档里检索出几条相关条目，再让大模型生成回答。你怎么评估这个系统到底好不好？从检索和生成两方面说说你会看哪些指标。
层层追问
RAG系统上线后，怎么判断它表现怎么样？……光看用户反馈够吗？……那检索部分有没有什么指标可以量化？……生成部分呢，答案是不是准确、有没有幻觉，这些怎么评估？
直球架构
评估一个RAG系统，从检索质量和生成质量两个维度，你分别会用哪些指标？具体怎么计算或获取这些指标？有没有一些现成的评估框架可以用？
练习口述回答 · 约4分钟
- 一句话定位：RAG评估本质是两段式质量验证
- 检索质量：召回率和排序，业务场景决定指标侧重
- 生成质量：忠实性和相关性，LLM打分有坑
- 端到端框架：RAGAS自动但需校准，人工兜底
- 落地取舍：先保检索再优化生成，关注失败场景
这道题其实问的是[[RAG]]系统上线前怎么验证它好不好用，本质上是两段式质量验证，检索和生成得分开看，因为问题出在哪一段完全不一样。我先说检索质量。
检索评估核心就两件事：找全和排好。找全看Recall@K，分母是黄金相关文档总数；前K中的相关占比是Precision@K。比如客服退款场景，用户说“订单还没退”，系统得把退款政策和订单状态相关文档都捞出来，漏一个就可能答错。排好看MRR和NDCG，MRR关注第一个正确答案是不是排前面，NDCG则更精细，允许相关度分级。比如企业SOP文档，有的段落完全匹配，有的只沾边，NDCG就能区分。实际落地时，我倾向于混合用：Recall@K保底，MRR兜快，NDCG优化排序。但前提是得有标注数据，没有的话我会用[[Embedding]]模型自动打标做快速迭代，不过自动标注有噪声，上线前必须人工抽检。
生成质量我重点盯**[[忠实性]]和答案相关性**。忠实性就是看有没有[[Hallucination]]，比如明明检索文档里没写满减政策，模型却编了一个，这在商家场景里很致命。我常用NLI模型判断答案和检索内容是否矛盾，或者让LLM自己打分，但LLM打分不稳定，尤其用本地小模型时，分数经常忽高忽低，这是个大坑。答案相关性则看有没有跑题，用户问“退款到账时间”，模型回答“退款流程”，就不行。我一般用问题-答案的Embedding相似度初筛，再用LLM精判。这里有个边界：忠实性比相关性优先级高，因为不忠实等于瞎编，相关性差顶多是答非所问。
端到端评估我用[[RAGAS]]框架，它自动化程度高，不用人工标注，但LLM打分不稳定，所以我建议用GPT-4级别的模型做评判，或者本地大模型加校准，比如跑一批样本人工打分，把LLM分数映射到人工尺度上。ARES用合成数据训练评判模型，成本低，但合成数据分布和线上可能不一样，需要验证。人工评估是最终标准，A/B测试看用户反馈，比如客服场景看解决率。
不过RAGAS有个隐藏问题：它对上下文相关性的打分经常和人对不上，比如检索文档冗余但答案对，它可能判错，所以我会加一层上下文压缩的评估，看系统剔除无关信息的能力。
最后说说落地取舍。我一般先保检索Recall@K，因为检索漏了，生成再好也没用。再针对生成做忠实性过滤，分太低的直接不回答。上线我会特别关注常见失败场景：比如检索返回空集时模型怎么处理，是硬编还是拒绝回答；再比如多轮对话中上下文漂移，检索文档和当前问题脱节。说白了，没有银弹，指标得和业务绑定，客服加解决率，知识问答加信息完整性。我更倾向把评估看成持续监控，上线后跑离线集，定期看趋势，不追求单次完美。