【原】【AI大模型应用开发】【RAG评估】0. 综述：一文了解RAG评估方法、工具与指标

公众号内文章一览

---

前面我们学习了RAG的基本框架并进行了实践，我们也知道使用它的目的是为了改善大模型在一些方面的不足：如训练数据不全、无垂直领域数据、容易出现幻觉等。那么如何评估RAG的效果呢？本文我们来了解一下。

推荐前置阅读

• 【AI大模型应用开发】3. RAG初探 - 动手实现一个最简单的RAG应用
  

• 【AI大模型应用开发】3.2 RAG实战秘籍：从零到一实现简化版ChatPDF - RAG应用中UI加载本地文件并对话
  

0. RAG效果评估的必要性

• 评估出RAG对大模型能力改善的程度

• RAG优化过程，通过评估可以知道改善的方向和参数调整的程度

1. RAG评估方法

1.1 人工评估

最Low的方式是进行人工评估：邀请专家或人工评估员对RAG生成的结果进行评估。他们可以根据预先定义的标准对生成的答案进行质量评估，如准确性、连贯性、相关性等。这种评估方法可以提供高质量的反馈，但可能会消耗大量的时间和人力资源。

1.2 自动化评估

自动化评估肯定是RAG评估的主流和发展方向。

1.2.1.1 LangSmith

在我的这篇文章中 【AI大模型应用开发】【LangSmith: 生产级AI应用维护平台】0. 一文全览Tracing功能，让程序运行过程一目了然 介绍了如何使用LangSmith平台进行效果评估。

• 需要准备测试数据集

• 不仅可以评估RAG效果，对于LangChain中的Prompt模板等步骤都可进行测试评估。

1.2.1.2 Langfuse

Langfuse作为LangSmith的平替，也具有自动化评估的功能。在我的这篇文章中 【AI大模型应用开发】【LangFuse: LangSmith平替】0. 快速上手 - 基本功能全面介绍与实践（附代码） 介绍了如何使用Langfuse平台进行效果评估。

• 需要准备测试数据集

• 不仅可以评估RAG效果，对于LangChain中的Prompt模板等步骤都可进行测试评估。

以上两个平台对RAG的评估，都可以自定义自己的评估函数。当然其也支持一些内置的评估函数。

1.2.1.3 Trulens

TruLens是一款旨在评估和改进 LLM 应用的软件工具，它相对独立，可以集成 LangChain 或 LlamaIndex 等 LLM 开发框架。它使用反馈功能来客观地衡量 LLM 应用的质量和效果。这包括分析相关性、适用性和有害性等方面。TruLens 提供程序化反馈，支持 LLM 应用的快速迭代，这比人工反馈更快速、更可扩展。

• 开源链接：https://github.com/truera/trulens

• 使用手册：https://www./trulens_eval/install/

使用的步骤：
（1）创建LLM应用
（2）将LLM应用与TruLens连接，记录日志并上传
（3）添加 feedback functions到日志中，并评估LLM应用的质量
（4）在TruLens的看板中可视化查看日志、评估结果等
（5）迭代和优化LLM应用，选择最优的版本

其对于RAG的评估主要有三个指标：

• 上下文相关性（context relevance）：衡量用户提问与查询到的参考上下文之间的相关性

• 忠实性（groundedness ）：衡量大模型生成的回复有多少是来自于参考上下文中的内容

• 答案相关性（answer relevance）：衡量用户提问与大模型回复之间的相关性

其对RAG的评估不需要有提前收集的测试数据集和相应的答案。

1.2.4 RAGAS

考虑标准的RAG设置，即给定一个问题q，系统首先检索一些上下文c(q)，然后使用检索到的上下文生成答案as(q)。在构建RAG系统时，通常无法访问人工标注的数据集或参考答案，因此该工作将重点放在完全独立且无参考的度量指标上。

四个指标，与Trulens的评估指标有些类似：

• 评估检索质量：

• context_relevancy（上下文相关性，也叫 context_precision）

• context_recall（召回性，越高表示检索出来的内容与正确答案越相关）

• 评估生成质量：

• faithfulness（忠实性，越高表示答案的生成使用了越多的参考文档（检索出来的内容））

• answer_relevancy（答案的相关性）

2. 常用评估指标

在上文评估方法中已经介绍了几种常用的评估指标：

2.1 Trulens 的RAG三元组指标

• 上下文相关性（context relevance）：衡量用户提问与查询到的参考上下文之间的相关性

• 忠实性（groundedness ）：衡量大模型生成的回复有多少是来自于参考上下文中的内容

• 答案相关性（answer relevance）：衡量用户提问与大模型回复之间的相关性

2.2 RAGAS的四个指标

四个指标，与Trulens的评估指标有些类似：

• 评估检索质量：

• context_relevancy（上下文相关性，也叫 context_precision）

• context_recall（召回性，越高表示检索出来的内容与正确答案越相关）

• 评估生成质量：

• faithfulness（忠实性，越高表示答案的生成使用了越多的参考文档（检索出来的内容））

• answer_relevancy（答案的相关性）

2.3 其它指标

参考论文：https:///pdf/2309.01431.pdf

（1）噪声鲁棒性（Noise Robustness）

衡量从噪声文档中提取有用的信息能力。在现实世界中，存在大量的噪声信息，例如假新闻，这给语言模型带来了挑战。

（2）否定拒绝（Negative Rejection）

当检索到的文档不足以支撑回答用户的问题时，模型应拒绝回答问题，发出"信息不足"或其他拒绝信号。

（3）信息整合(information integration)

评估模型能否回答需要整合多个文档信息的复杂问题，即，当一个问题需要查找多个文档，综合信息之后才能回答时，模型的表现。

（4）反事实鲁棒性（CounterfactualRobustness）

模型能否识别检索文档中已知事实错误的能力，即当索引的文档信息原本就是与事实相背时，大模型能否识别出不对。

3. 总结

本文主要总结了当前比较流行的评估方法和指标。当前AI技术的快速发展，RAG和RAG评估是当前比较有前景的发展方向，不断有新的评估工具和理论被提出，让我们持续跟进，了解这些工具和理论，从而在使用时知道如何选择。

参考

• https://mp.weixin.qq.com/s/Si8rb0L1uqMiwoQ1BWS0Sw

• https://mp.weixin.qq.com/s/z18J2l_b-VsKDhOd6-nIsg

• https://mp.weixin.qq.com/s/YFji1s2yT8MTrO3z9_aI_w

• https://mp.weixin.qq.com/s/TrXWXkQIYTVsS1o4IZjs9w

• https:///article/detail?fid=1816656853&efid=TVdhzg972NYV9Q1MyFBqqg

如果觉得本文对你有帮助，麻烦点个赞和关注呗 ~~~

---

• 大家好，我是同学小张，日常分享AI知识和实战案例

• 欢迎 点赞 + 关注 👏，持续学习，持续干货输出。

公众号内文章一览