评估 RAG 性能指标

评估检索增强生成 (RAG) 流水线的性能是了解其有效性的主要步骤。评估 RAG 系统不仅仅是检查最终答案是否合理；它还需要评估检索信息的质量以及基于该信息生成回复的准确性。与可能仅关注输出文本的标准大型语言模型 (LLM) 评估不同，RAG 评估会剖析其整个过程。

我们通常将 RAG 评估分为两个主要阶段：评估检索器和评估生成器（基于检索到的上下文），然后进行端到端评估。

评估检索部分

检索器的任务是从您的知识库中找到与用户查询相关的文档块（或“上下文”）。如果检索器未能获取正确信息，无论生成器多么优秀，都无法产生准确、有依据的答案。衡量检索器的有效性通常涉及使用信息检索领域的标准指标，前提是您拥有一个将查询映射到相关文档 ID 的真实数据集。

以下是一些常见的检索指标：

• 上下文精确度（Context Precision）：这衡量检索到的文档中实际相关的比例。如果您的检索器返回 $K$ 份文档，其中 $R$ 份是相关的（根据您的真实情况），则精确度为 $R/K$。它回答了：“系统向我展示的文档中，有多少是有用的？”当您想尽量减少呈现给 LLM 的不相关结果时，高精确度是很重要的。
• 上下文召回率（Context Recall）：这衡量数据集中所有相关文档中成功检索到的比例。如果您的整个数据集中某个查询共有 $T$ 份相关文档，而您的检索器在其前 $K$ 个结果中找到了 $R$ 份，则召回率为 $R/T$。它回答了：“系统是否找到了大多数可用的相关文档？”当不遗漏相关信息非常重要时，高召回率是很重要的。
• 命中率（Hit Rate）：这是一个更简单的指标，它检查在前 $K$ 个结果中是否检索到至少一份相关文档。它是每个查询的二元衡量（是/否），通常对多个查询求平均。对于快速检查系统是否检索到任何有用的信息很有用。
• 平均倒数排名（Mean Reciprocal Rank, MRR）：此指标评估第一份相关文档的排名有多高。对于单个查询，倒数排名是 $1 / rank$，其中 $rank$ 是排名最高的相关文档的位置。如果没有检索到相关文档，倒数排名为 0。MRR 是所有查询的这些倒数排名的平均值。当用户主要关注快速找到唯一最佳答案时，它尤其有用。 $$MRR = \frac{1}{|Q|} \sum_{i=1}^{|Q|} \frac{1}{rank_i}$$ 其中 $|Q|$ 是查询总数，$rank_i$ 是查询 $i$ 的第一份相关文档的排名。

创建真实情况（知道哪些文档与给定查询相关）可能耗时耗力，通常需要人工标注。

评估生成部分

一旦检索器提供了上下文，生成器的任务就是仅基于此上下文和原始查询合成一个答案。这里的评估侧重于生成文本相对于检索文档的质量和忠实性。

重要的指标包括：

• 忠实性（Faithfulness 或 Groundedness）：这可以说是最重要的 RAG 特定指标之一。它衡量生成的答案是否与检索到的上下文在事实上一致，并避免引入上下文中不存在的信息（幻觉）。衡量忠实性可能存在挑战。方法包括：
  • 使用另一个强大的 LLM（“LLM 作为评判者”）将答案与上下文进行比较并评分一致性。
  • 将答案分解为单独的陈述，并使用自然语言推理 (NLI) 模型或特定的事实核查工具对照上下文验证每个陈述。
  • 人工评估。
• 答案相关性（Answer Relevance）：此指标评估生成的答案是否直接回应了原始用户查询。一个答案可能忠实于所提供的上下文，但如果检索到的上下文本身与查询不相关，则该答案仍然可能不相关。与忠实性一样，这通常使用 LLM 作为评判者的方法或人工评估来衡量。请注意其细微差别：忠实性检查与上下文的一致性，而相关性检查与查询的对齐程度。
• 答案正确性（Answer Correctness）：衡量最终答案中的信息是否事实正确。如果检索到的上下文被假定为真相的来源，这可能与忠实性有显著重叠。然而，如果外部验证可能，正确性可以独立评估。通常需要人工判断。

虽然像 BLEU 或 ROUGE 这样的标准 NLP 指标可以衡量生成答案与参考答案（如果可用）之间的文本相似度，但它们对于 RAG 评估通常不足。它们不直接衡量对所提供上下文的忠实性或事实准确性，而这些对于可靠的 RAG 系统非常重要。

端到端评估

最终，您需要评估整个 RAG 系统的性能，从查询输入到最终答案输出。这种整体视图捕捉了检索器和生成器之间的相互影响。

• 问答基准（Question Answering Benchmarks）：调整现有问答数据集（如 Natural Questions、TriviaQA），其中答案预计在提供的文档中找到，这可以作为端到端测试。您将查询通过 RAG 系统运行，并使用精确匹配（EM）或 F1 分数（衡量词语重叠度）等指标将生成的答案与真实答案进行比较。
• 人工评估（Human Evaluation）：这仍然是一种非常有价值的方法，尤其适用于语气、帮助性以及整体用户满意度等方面。可以要求评估者根据相关性、忠实性、清晰度和正确性等标准对输出进行评分。虽然主观且成本高昂，但它提供了自动化指标可能遗漏的见解。
• LLM 作为评判者（LLM-as-Judge）：如前所述，使用复杂的 LLM 根据查询和上下文，依据预定义标准（如忠实性、相关性、连贯性）评估最终答案，是人工评估的一种可扩展替代方案。然而，请注意潜在的偏见以及评判者 LLM 本身的可靠性。

以下图表展示了两种不同 RAG 系统配置在多个指标上的评估分数：

使用多项指标比较 RAG 系统。系统 A 具有更好的召回率和忠实性，而系统 B 实现了更高的精确度和答案相关性。选择哪一个取决于应用的优先级。

实际考量

评估 RAG 系统是一个持续的过程。它并非系统构建后的一次性检查，而应贯穿整个开发过程。

• 框架支持：像 LangSmith、TruLens 和 Ragas 这样的工具正在出现以简化 RAG 评估，提供了内置指标和日志记录功能。第 9 章讨论了其中一些评估框架。
• 迭代：使用评估结果找出瓶颈。是检索器出错了？还是生成器产生了幻觉？根据指标反馈迭代地改进组件。
• 明确您的需求：最重要的指标在很大程度上取决于您的具体应用。一个优先考虑安全的聊天机器人可能会将忠实性放在首位，而一个文档摘要工具可能会平衡召回率和相关性。在开始评估之前，请明确定义您的成功标准。

通过系统地评估检索和生成两个方面以及端到端性能，您可以构建更可靠、更高效的 RAG 应用。