组件级别评估：生成

检索器的任务是找到正确的拼图块（相关上下文 (context)），而生成器的任务是将其正确组装成一幅连贯准确的图像，以回答用户的原始问题。即使检索器获取了完全相关的信息，作为生成器的大语言模型（LLM）仍可能出现问题。它可能错误理解上下文，忽略其中大部分，引入检索文档中不存在的信息（尽管有依据仍产生幻觉 (hallucination)），或者未能直接回应用户的查询。因此，评估生成组件是理解RAG系统表现的一个独特而主要的步骤。

在RAG背景下评估生成器，需要衡量LLM综合所提供信息以生成最终答案的程度。我们主要关注两个方面：

评估忠实度

忠实度，在RAG背景下有时被称为事实性或有依据性，衡量生成的答案是否与检索到的上下文 (context)片段中的信息保持一致。忠实的答案不与提供的上下文相矛盾，并避免引入外部知识或虚构细节。

设想您的RAG系统根据检索到的新闻稿回答一个关于公司最新产品发布的问题。

• 忠实的答案： 总结仅在新闻稿中提及的特性。
• 不忠实的答案： 提及检索文本中未描述的特性，可能是产生了幻觉 (hallucination)或不恰当地从其通用训练数据中回忆出来。

评估忠实度很重要，因为RAG的一个主要目标是减少幻觉并将回答建立在可验证的数据上。方法包括：

1. 人工评审： 人工评审员将生成的答案与生成期间提供给LLM的特定上下文段落进行比较。这提供了高质量的反馈，但需要大量时间和资源。
2. LLM作为评判者： 可以提示一个独立且有能力的LLM来评估忠实度。您向它提供原始查询、检索到的上下文和生成的答案，并要求它判断答案是否完全由上下文支持。这种方法比人工评审更具扩展性，但会引入评估者LLM自身的潜在偏见，并且需要为评估者精心设计提示。
3. 自动化检查： 一些方法涉及自动化检查，例如从生成的答案中提取陈述或主张，并通过程序验证它们在所提供上下文中的存在或逻辑蕴含。专门为RAG评估设计的框架通常会根据这些原则纳入自动化忠实度评分。

评估答案相关性

答案相关性评估生成的回答回应原始用户查询的程度。即使答案完全忠实于所提供的上下文 (context)，如果它没有实际回答用户所问的问题，也可能没有帮助。

设想用户询问：“X项目期间面临的主要挑战是什么？”检索器找到详细说明项目时间表和团队成员的文档。

• 忠实但不相关的答案： “X项目由5名工程师组成的团队在第四季度完成。”（根据上下文，此陈述可能是准确的，但它没有回答用户关于挑战的问题。）
• 相关的答案： “文档中提到的主要挑战是按时确保组件交付。”（假设此信息存在于上下文中，此答案既忠实又与查询相关。）

相关性确保RAG系统不仅仅是总结检索到的文本，而是有效地使用该文本来满足用户的特定信息需求。评估方法与忠实度评估方法有重叠，但关注点不同：

1. 人工评审： 人们阅读用户查询和生成的答案，判断答案是否直接有效地回应了查询的意图。
2. LLM作为评判者： 类似于忠实度检查，可以提示评估者LLM根据原始查询对答案的相关性进行评分。提示将强调评估答案是否直接回应了所提出的问题。
3. 嵌入 (embedding)相似度（查询 vs. 答案）： 计算用户查询和生成答案之间的语义相似度（例如，使用文本嵌入上的余弦相似度）有时可以作为相关性的代理指标。然而，这是一种启发式方法。高相似度并不总是保证相关性（答案可能重复问题），低相似度也不总是表明不相关（例如，对复杂问题的简洁“是”答案）。

此图说明了生成组件的两个主要评估点：检查生成的答案是否忠实于检索到的上下文（有依据性），以及它是否与原始用户查询相关（实用性）。

其他生成质量方面

除了忠实度和相关性（它们与RAG特别相关）之外，您还应考虑文本生成质量的标准方面：

• 简洁性： 答案是否提供了必要信息，而没有包含过多或冗余的细节？它是否根据查询适当简洁或详细？
• 连贯性和流畅性： 生成的文本是否结构良好、语法正确、易于理解？阅读起来是否自然？标准LLM评估指标（如困惑度，如果适用）或定性人工评估适用于此。
• 无有害内容： 确保生成的输出遵循安全准则，不产生偏见、有毒或不当内容。这通常涉及生成后应用内容过滤器或分类器。

评估生成器组件有助于找出RAG管道中的问题是源于LLM自身的合成过程，而不仅仅是检索步骤。生成质量差可能表明在提示工程 (prompt engineering)（如何指示LLM使用上下文 (context)）、所选生成器LLM的固有能力或局限性，或者管理和呈现上下文给模型的无效策略（例如，上下文填充或截断问题）方面存在问题。识别这些特定的生成失败可以实现有针对性的改进，例如改进系统提示，尝试不同的LLM或LLM参数 (parameter)（如温度），或调整检索到的上下文的格式以及如何将其插入提示。