在企业或者单位内部，我们搞了个RAG应用，塞进去一堆文档，想着能给团队提供又快又准的信息。刚开始，那感觉简直像变魔术一样神奇！但大家都知道，大模型总有穿帮的时候，现实总会给你当头一棒。
今天这篇文章，我们通过几个指标来讲一讲:如何从一个反馈乱七八糟的RAG系统，到现在逐渐走向稳定的生产环境?
为什么要评估RAG系统？ 刚开始，我们可能压根没想过要搞什么评估框架。我们就是把RAG应用丢给一小部分人用，然后坐等反馈。结果呢？反馈五花八门，有的说好用到飞起，有的说烂到不行。有些问题的答案堪称完美，有些则错得离谱。起初，我们还亲自上阵，手动测试一组问题，检查答案并打分。虽然在小规模测试中还行，但随着用户越来越多，数据量越来越大，我们很快就发现自己彻底迷失了。
直觉根本不够用！
没有系统的评估，我们就像在摸黑走路，全靠运气。很明显，我们得搞清楚为什么有些东西能成功，有些却会失败。这时候，指标的重要性就凸显出来了。
RAG系统的两大核心组件 一个典型的RAG系统主要由两部分组成：
- 检索器 ：这家伙负责响应用户的查询，从知识库（通常是矢量数据库）里找出相关信息。
- 生成器 ：它则利用检索到的上下文和用户的查询，生成连贯、相关且信息丰富的回答。
评估RAG系统，就得从这两个部分入手，同时还要关注系统整体的表现。
RAG评估的三大维度 评估RAG系统，通常得从以下几个关键领域入手：
- 检索质量 ：检索器能不能准确找到并抓取相关文档？
- 响应质量 ：生成器能不能用好检索到的上下文，给出准确且有用的回答？
- 系统性能 ：整个RAG系统在成本和响应速度上表现如何？
7个你必须关注的指标
根据我的经验，要想打造一个成功的RAG应用，你得盯紧以下7个关键指标：
- Precision@k （我们拿到的是相关内容吗？）：这个指标告诉我，在检索器给出的前k个结果里，有多少是真正和查询相关的。质量永远比数量重要！
- Recall@k （我们漏掉了什么？）：我得知道系统有没有漏掉相关文档。召回率就是衡量在前k个结果里，我们抓到了多少真正相关的文档。
- Faithfulness/Groundedness(忠实度/真实性)（我们有没有在瞎编？）：这个指标检查生成的回答是不是真的基于检索到的文档。如果系统开始“脑补”事实，那信任可就崩塌了。方法可以是人工评估、自动事实核查工具，或者一致性检查。
- 答案相关性 （我们真的在回答问题吗？）：答案光有事实还不够，还得真正解决用户的疑问。这个指标就是看生成的回答和用户的问题是不是对得上。
- 幻觉检测 （我们是不是在编造事实？）：这个指标帮你盯紧系统，看它有没有在捏造事实，或者做出数据里根本没有的断言。
- 延迟 （是不是太慢了？）：系统响应需要多长时间？如果太慢，用户可没耐心等你。
- Token消耗 （成本效益如何？）：这个指标估算每个请求的成本，帮我们优化资源使用，避免浪费。
还有哪些指标值得关注？ 虽然前面提到的7个指标是认为必不可少的，但RAG系统的评估远不止这些。根据你的具体需求，还有很多其他指标可能会派上用场。咱们一起来看看：
- F1@k ：这个指标是精度和召回率的“和事佬”，帮你平衡两者，给出一个综合的评估结果。
- 平均倒数等级（MRR） ：如果你只关心第一个相关文档的位置，这个指标就特别有用。
- 平均精度（AP） ：当检索到的相关文档的顺序很重要时，这个指标能派上大用场。
- 累积收益（DCG@k） ：这个指标会根据文档的位置来衡量它们的有用性，位置越靠前，得分越高。
- 标准化累积增益（NDCG@k） ：这是DCG的标准化版本，方便你在不同结果集之间进行比较。
- 上下文精确度/召回率/相关性 ：这些指标特别适合用来评估你的检索步骤，看看上下文抓取得准不准。
- BLEU、ROUGE、METEOR ：如果你在搞大量文本摘要或生成，这些指标能帮你分析生成的内容质量。
- 语义相似性 ：这个指标衡量生成的回答和参考文本在语义上是否接近，确保回答的意思没跑偏。
- 正确性、安全性 ：当你的应用对正确性和安全性要求极高时，这些指标就是你的“守护神”。
RAG评估的核心要素 在评估RAG系统时，有几个关键要素你得时刻关注：
- 已检索到的块 (RC)：这是检索器从知识库里抓出来的内容块。
- 已评估块 (EC)：这些是经过人工或LLM评估，确认与问题相关的块。
- 生成的答案 (GA)：这是LLM根据检索到的内容生成的最终回答。
- 参考答案 (RA)：这是人类或另一个LLM提供的理想答案，用来做对比。
- 问题（Q） ：这是用户实际提出的问题，评估的起点。
评估方法：从人工检查到LLM评审
如何全面衡量RAG系统？
评估RAG系统，主要有两种方法：
- 确定性测量 ：这些指标可以直接从系统日志里算出来，比如延迟、令牌使用情况，还有召回率（前提是你有数据）。这类指标计算起来相对简单直接。
- LLM评判式评估 ：这种方法让另一个LLM充当“评委”，来评估相关性、忠实性和正确性等因素。虽然需要仔细设计提示词和调整评委LLM，但效果绝对值得你花这个功夫。
这两种方法各有千秋，结合起来用才能做到全面评估。
分层评估法：分步流程 分步组织评估：
- 初始检索测试 ：首先用精度、召回率和MRR等指标，确保检索到的文档质量过关。
- 回答质量检查 ：一旦确认检索没问题就开始关注回答质量，用自动评估和LLM评委来检查忠实度、幻觉检测和答案相关性。
- 系统性能分析 ：接着检查延迟和令牌消耗，优化系统性能，降低成本。
- 迭代改进 ：最后根据指标不断调整系统，跟踪超参数的变化，持续评估和优化。
工具和框架推荐 在评估RAG系统时，有几个工具和框架挺不错：
- RAGAS ：简化评估流程，强调平均精度和忠实度等自定义指标。
- ARES ：利用合成数据和LLM评委，重点关注MRR和NDCG。
- DeepEval ：一个开源框架，提供一系列LLM评估指标，覆盖检索和生成。
- TruLens ：专注于特定领域的优化，强调领域内的准确性和精确度。
- Galileo ：集成先进见解和指标，提升性能和透明度。
- Tonic Validate ：专门测量RAG LLM系统的性能。
- G-Eval ：使用带有思路链（CoT）的LLM，根据自定义标准评估LLM输出。
经验分享：RAG实践 在这段RAG系统构建的过程中，我们学到了不少干货：
- 多样化数据 ：评估集里得有各种各样的问题，才能全面覆盖系统的表现。
- 明确目标 ：优先关注那些真正重要的指标，别被次要的东西分散注意力。
- 别跳过人工审核 ：LLM虽然强大，但人工审核依然不可或缺。
- 迭代和自动化 ：持续测试，自动化评估流程，及时跟踪变化。
- 平衡评估成本 ：如果系统用的人少，搞太详细的指标可能不划算；但如果用的人多，没有合适的指标，成本反而更高。
- 跟踪超参数和指标的变化 ：记录实验配置，了解不同参数对指标的影响。
总结
无论你是刚起步，还是已经深入RAG项目，指标都是你成功的关键。希望这些经验能帮你在RAG系统的开发和优化中少走弯路，早日打造出高效、稳定的智能应用！如果你有其他好用的工具或经验，欢迎留言分享，咱们一起进步！
添加微信，回复”RAG“进入交流群