评估之所以关键，是因为它回答了RAG开发与应用中的一系列核心问题：
本节将探讨RAG评估的理念与方法，并围绕 “RAG三元组（RAG Triad）” 展开。
该架构包含以下三个维度，并在 TruLens 1等工具中有深入的应用：
（1）上下文相关性 (Context Relevance)
（2）忠实度 / 可信度 (Faithfulness / Groundedness)
（3）答案相关性 (Answer Relevance)
你可能觉得忠实度和答案相关性很相似，但它们的侧重点是不同的。忠实度更关注模型是否严格遵循了上下文，而答案相关性则更关注模型是否直接、完整且有效地回答了问题。
通过对这三个维度进行评估，可以对RAG系统的表现有一个全面而细致的了解，并能准确定位问题所在：是检索出了问题，还是生成环节有待改进。
虽然上面把评估分成了三个部分，但实际上可以把评估过程拆解为两个主要环节：检索评估和响应评估。
检索评估聚焦于RAG三元组中的 上下文相关性 (Context Relevance)，本质上是一次白盒测试 2。此阶段的评估需要一个标注数据集，其中包含一系列查询以及每个查询对应的真实相关文档。
这项评估借鉴了信息检索领域的多个经典指标：
上下文精确率 (Context Precision): 衡量检索结果的准确性。计算在检索到的前 k 个文档中相关文档所占的比例，其中 k 是一个预设的数字（例如，k=3或k=5），代表评估的范围。高精确率意味着检索结果的噪声较少。
Precision@k=检索到的k个结果中的相关文档数kPrecision@k=k检索到的k个结果中的相关文档数
上下文召回率 (Context Recall): 衡量检索结果的完整性。计算在检索到的前 k 个文档中，找到的相关文档占所有真实相关文档总数的比例。高召回率意味着系统能够成功找回大部分关键信息。
Recall@k=检索到的k个结果中的相关文档数数据集中所有相关的文档总数Recall@k=数据集中所有相关的文档总数检索到的k个结果中的相关文档数
F1分数 (F1-Score): F1分数是精确率和召回率的调和平均数，它同时兼顾了这两个指标，在它们之间寻求平衡。当精确率和召回率都高时，F1分数也高。
F1=2⋅Precision×RecallPrecision+RecallF1=2⋅Precision+RecallPrecision×Recall
平均倒数排名 (MRR - Mean Reciprocal Rank): 评估系统将第一个相关文档排在靠前位置的能力。对于一个查询，倒数排名是第一个相关文档排名的倒数。MRR是所有查询的倒数排名的平均值。该指标适用于用户通常只关心第一个正确答案的场景。
MRR=1∣Q∣∑q=1∣Q∣1rankqMRR=∣Q∣1q=1∑∣Q∣rankq1
其中 |Q| 是查询总数，rank_q 是第 q 个查询的第一个相关文档的排名。
平均准确率均值 (MAP - Mean Average Precision): MAP是一个综合性指标，同时评估了检索结果的精确率和相关文档的排名。它先计算每个查询的平均精确率（AP），然后对所有查询的AP取平均值。AP本身是基于每个相关文档被检索到时的精确率计算的。
MAP=1∣Q∣∑q=1∣Q∣AP(q)MAP=∣Q∣1q=1∑∣Q∣AP(q)
其中 |Q| 是查询总数，AP(q) 是第 q 个查询的平均精确率（Average Precision）。
要计算上述所有指标，前提是拥有一个高质量的标注数据集，其中包含了查询和每个查询对应的“真实”相关文档。
响应评估覆盖了RAG三元组中的 忠实度 和 答案相关性。此环节通常采用 端到端 的评估范式，因为它直接衡量用户感知的最终输出质量。无论采用何种评估方法，都主要围绕以下两个核心维度展开。
（1）忠实度 / 可信度：衡量生成的答案在多大程度上可以由给定的上下文所证实。一个完全忠实的答案，其所有内容都必须能在上下文中找到依据，以此避免模型产生“幻觉”。
（2）答案相关性：衡量生成的答案与用户原始查询的对齐程度。一个高相关性的答案必须是直接的、切题的，并且不包含与问题无关的冗余信息。
针对上述维度，目前主要有两类评估方法：
（1）基于大语言模型的评估
这是一种强大的评估方法，能够提供更深度的语义评估，正逐渐成为主流选择。利用一个高性能、中立的llm作为“评估者”，对上述维度进行深度的语义理解和打分。
（2）基于词汇重叠的经典指标
这类指标需要在数据集中包含一个或多个“标准答案”。它们通过计算生成答案与标准答案之间 n-gram（连续的n个词）的重叠程度来评估质量。
ROUGE (Recall-Oriented Understudy for Gisting Evaluation): ROUGE关注的重点是 召回率，即标准答案中的词语有多少被生成答案所覆盖，因此常用于评估内容的 完整性。其常用变体包括计算n-gram的 ROUGE-N 和计算最长公共子序列的 ROUGE-L。
ROUGE-N=匹配的 n-gram 数量参考答案中 n-gram 的总数ROUGE-N=参考答案中 n-gram 的总数匹配的 n-gram 数量
BLEU (Bilingual Evalu ation Understudy): BLEU侧重于评估 精确率，衡量生成的答案中有多少词是有效的（即在标准答案中出现过）。它还引入了长度惩罚机制，避免模型生成过短的句子，因此更适合评估答案的 流畅度和准确性。
BLEU=BP×exp(∑n=1Nwnlogpn)BLEU=BP×exp(n=1∑Nwnlogpn)
其中，BP 是长度惩罚因子，p_n 是修正后的n-gram精确率。
METEOR (Metric for Evaluation of Translation with Explicit ORdering): 作为BLEU的改进版，METEOR同时考量 精确率和召回率 的调和平均，并通过词干和同义词匹配（如将'boat'和'ship'视为相关）来更好地捕捉语义相似性。其评估结果通常被认为与人类判断的相关性更高。
Fmean=P×RαP+(1−α)RFmean=αP+(1−α)RP×R
METEOR=Fmean×(1−Penalty)METEOR=Fmean×(1−Penalty)
其中 P 是精确率，R 是召回率，Penalty 是基于语序的惩罚项。
为了更直观地理解三者的区别，来看一个简单的例子。
假设：
- 参考答案：
狗 在 床 上面(共5个词)- 生成答案：
狗 在 床 上(共4个词)评估分析：
ROUGE (召回率导向): 从召回率的角度出发：“参考答案里的5个词，生成答案覆盖了多少？”——覆盖了4个。因此，它的召回率很高（ROUGE-1 为 4/5），得分会不错。ROUGE更关心“说全了没”。
BLEU (精确率导向): 从精确率的角度进行评判：“生成答案里的4个词，有多少是有效的（在参考答案里）？”——全部有效，精确率很高。但它会发现生成答案比参考答案短，于是通过 长度惩罚(Brevity Penalty) 进行扣分。BLEU更关心“说对了没，以及长度是否合适”。
METEOR (综合平衡): 同时计算精确率和召回率，并取一个调和平均。在这个例子里，词序是完全正确的，惩罚项为0。METEOR会在“说全”和“说对”之间找到一个最佳平衡点。
基于LLM的评估更注重语义和逻辑，评估质量高，但成本也更高且存在评估者偏见。基于词汇重叠的指标客观、计算快、成本低，但无法理解语义，可能误判同义词或释义。在实践中，可以将两者结合，使用经典指标进行快速、大规模的初步筛选，再利用LLM进行更精细的评估。
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。