feat: 添加 RAG 评估模块，支持召回率和相关性评估

backend/docs/RAG_EVALUATION_GUIDE.md

@@ -0,0 +1,363 @@
+# RAG 召回率与相关性评估指南
+
+本指南介绍如何评估 RAG 系统的召回率（Recall）和相关性（Relevance）。
+
+---
+
+## 📊 核心概念
+
+### 1. 召回率 (Recall)
+
+召回率衡量的是：**在所有相关文档中，有多少被检索出来了？**
+
+```
+Recall@k = (前 k 个结果中的相关文档数量) / (总相关文档数量)
+```
+
+例如：
+- 总共有 5 篇相关文档
+- 检索返回 10 篇，其中 3 篇是相关的
+- Recall@10 = 3/5 = 60%
+
+### 2. 精确率 (Precision)
+
+精确率衡量的是：**在检索出来的文档中，有多少是相关的？**
+
+```
+Precision@k = (前 k 个结果中的相关文档数量) / k
+```
+
+例如：
+- 检索返回 10 篇，其中 3 篇是相关的
+- Precision@10 = 3/10 = 30%
+
+### 3. F1 分数 (F1 Score)
+
+F1 分数是召回率和精确率的调和平均数：
+
+```
+F1@k = 2 * Recall@k * Precision@k / (Recall@k + Precision@k)
+```
+
+### 4. 平均倒数排名 (MRR)
+
+MRR 衡量第一个相关文档的排名：
+
+```
+MRR = 1/m * sum(1/rank_i for i=1..m)
+```
+
+其中 rank_i 是第 i 个相关文档第一次出现的排名。
+
+例如：
+- 测试用例 1：第一个相关文档在第 2 位 → 1/2 = 0.5
+- 测试用例 2：第一个相关文档在第 1 位 → 1/1 = 1.0
+- 测试用例 3：第一个相关文档在第 3 位 → 1/3 ≈ 0.333
+- MRR = (0.5 + 1.0 + 0.333) / 3 ≈ 0.611
+
+### 5. 相关性评分
+
+相关性评分评估检索到的文档与查询的相关程度，通常使用：
+- 人工标注（Human Evaluation）
+- LLM 评估（LLM-as-a-Judge）
+- 相关性模型（Cross-Encoder）
+
+---
+
+## 🛠️ 如何评估
+
+### 方法一：使用内置评估模块
+
+我们的项目已经内置了评估模块 `app.rag.evaluate`。
+
+#### 1. 准备测试用例
+
+首先，需要准备带有标注的测试用例：
+
+```python
+from app.rag.evaluate import RetrievalTestCase
+
+test_cases = [
+    RetrievalTestCase(
+        query="什么是 RAG 系统？",
+        relevant_doc_ids=["doc_rag_1", "doc_rag_2", "doc_rag_3"],
+        expected_answer="RAG 是 Retrieval-Augmented Generation 的缩写..."
+    ),
+    RetrievalTestCase(
+        query="如何使用 LangChain？",
+        relevant_doc_ids=["doc_langchain_1", "doc_langchain_2"],
+        expected_answer="LangChain 的使用步骤包括..."
+    ),
+    # 更多测试用例...
+]
+```
+
+**重要提示：**
+- 每个查询需要知道哪些文档是相关的
+- 相关文档需要有唯一的 ID
+- expected_answer 是可选的，用于评估答案质量
+
+#### 2. 运行评估
+
+```python
+import asyncio
+from app.rag.evaluate import RAGEvaluator, generate_test_report
+
+# 初始化评估器
+evaluator = RAGEvaluator(rag_pipeline, test_cases)
+
+# 运行评估
+metrics = asyncio.run(evaluator.evaluate_retrieval(k_list=[1, 3, 5, 10]))
+
+# 生成报告
+report = generate_test_report(metrics)
+print(report)
+```
+
+#### 3. 运行示例脚本
+
+```bash
+cd backend
+python scripts/evaluate_rag.py
+```
+
+---
+
+### 方法二：手动计算召回率
+
+如果你想手动计算，步骤如下：
+
+#### 步骤 1：准备测试数据
+
+准备一个测试查询列表，每个查询对应相关文档的 ID：
+
+```python
+test_queries = [
+    {
+        "query": "什么是 RAG？",
+        "relevant_ids": ["doc1", "doc3", "doc5"]
+    },
+    {
+        "query": "如何优化 RAG？",
+        "relevant_ids": ["doc2", "doc4"]
+    }
+]
+```
+
+#### 步骤 2：运行检索
+
+对于每个查询，运行 RAG 检索，记录返回的文档 ID：
+
+```python
+def run_retrieval(query):
+    """运行检索，返回文档 ID 列表"""
+    docs = rag_pipeline.retrieve(query)
+    return [doc.metadata["id"] for doc in docs]
+```
+
+#### 步骤 3：计算召回率
+
+```python
+def calculate_recall(retrieved_ids, relevant_ids, k):
+    """计算 Recall@k"""
+    top_k = retrieved_ids[:k]
+    relevant_in_top_k = set(top_k) & set(relevant_ids)
+    recall = len(relevant_in_top_k) / len(relevant_ids)
+    return recall
+
+# 示例
+retrieved = ["doc1", "doc2", "doc3", "doc4", "doc5"]
+relevant = ["doc1", "doc3", "doc5"]
+print(f"Recall@3: {calculate_recall(retrieved, relevant, k=3):.2%}")  # 2/3 = 66.67%
+print(f"Recall@5: {calculate_recall(retrieved, relevant, k=5):.2%}")  # 3/3 = 100%
+```
+
+#### 步骤 4：聚合结果
+
+```python
+import numpy as np
+
+all_recalls_at_1 = []
+all_recalls_at_3 = []
+all_recalls_at_5 = []
+
+for test_case in test_queries:
+    retrieved = run_retrieval(test_case["query"])
+    recall_1 = calculate_recall(retrieved, test_case["relevant_ids"], k=1)
+    recall_3 = calculate_recall(retrieved, test_case["relevant_ids"], k=3)
+    recall_5 = calculate_recall(retrieved, test_case["relevant_ids"], k=5)
+
+    all_recalls_at_1.append(recall_1)
+    all_recalls_at_3.append(recall_3)
+    all_recalls_at_5.append(recall_5)
+
+print(f"Average Recall@1: {np.mean(all_recalls_at_1):.2%}")
+print(f"Average Recall@3: {np.mean(all_recalls_at_3):.2%}")
+print(f"Average Recall@5: {np.mean(all_recalls_at_5):.2%}")
+```
+
+---
+
+### 方法三：评估相关性
+
+评估相关性有几种方法：
+
+#### 方案 A：使用 LLM 评估（LLM-as-a-Judge）
+
+```python
+from app.rag.evaluate import RelevanceEvaluator
+
+# 初始化评估器
+evaluator = RelevanceEvaluator(llm)
+
+# 评估相关性
+score, reason = asyncio.run(evaluator.evaluate_relevance(query, document))
+
+print(f"相关性评分: {score}/5")
+print(f"理由: {reason}")
+```
+
+#### 方案 B：使用重排模型评分
+
+重排模型本身可以给出相关性分数：
+
+```python
+from app.model_services import get_rerank_service
+
+rerank_service = get_rerank_service()
+
+# 获取相关性分数
+scores = rerank_service.compute_scores(
+    query="什么是 RAG？",
+    documents=["doc1", "doc2", "doc3"]
+)
+```
+
+#### 方案 C：人工标注
+
+最准确但也最耗时的方法是让人工标注相关性：
+
+```python
+# 相关性评分标准
+relevance_levels = {
+    5: "完全相关，直接回答了问题",
+    4: "高度相关，包含关键信息",
+    3: "部分相关，有一些相关信息",
+    2: "弱相关，提及但不太相关",
+    1: "不相关，基本无关",
+    0: "完全无关"
+}
+```
+
+---
+
+## 📈 如何解释结果
+
+### 召回率低怎么办？
+
+如果 Recall@k 低，可能的原因：
+
+1. **检索器召回能力不足**
+   - 嵌入模型不合适
+   - 检索算法太简单
+   - 解决方案：改用更好的嵌入模型、使用混合检索
+
+2. **查询理解不够**
+   - 查询改写效果不好
+   - 解决方案：增加查询改写的多样性
+
+3. **文档分块策略不好**
+   - 分块太小/太大
+   - 解决方案：调整 chunk_size，使用父子分块
+
+### 精确率低怎么办？
+
+如果 Precision@k 低，可能的原因：
+
+1. **检索结果噪声多**
+   - 解决方案：加强重排序
+
+2. **文档切分有问题**
+   - 不相关的片段也被检索到
+   - 解决方案：改进切分策略
+
+---
+
+## 🎯 评估最佳实践
+
+### 1. 测试用例构建
+
+- ✅ **覆盖多样的查询类型**：事实型、概念型、操作型
+- ✅ **每个查询有多个相关文档**：避免单点依赖
+- ✅ **包含难例**：测试边界情况
+- ✅ **定期更新**：随着知识库变化更新测试用例
+
+### 2. 评估指标选择
+
+- **快速迭代**：关注 Recall@3, Recall@5
+- **正式发布**：完整评估所有指标
+- **用户体验**：同时评估答案质量
+
+### 3. A/B 测试
+
+当你改进 RAG 系统时，使用 A/B 测试：
+
+```python
+# A 版本（旧版本）
+metrics_a = evaluator.evaluate_retrieval()
+
+# B 版本（新版本）
+metrics_b = evaluator_new.evaluate_retrieval()
+
+# 对比
+print(f"Recall@5 改进: {metrics_b.recall_at_k[5] - metrics_a.recall_at_k[5]:.2%}")
+```
+
+---
+
+## 📝 完整评估报告示例
+
+运行评估后，会生成这样的报告：
+
+```
+================================================================================
+RAG 系统评估报告
+================================================================================
+
+【召回率 Recall@k】
+  Recall@1: 60.00%
+  Recall@3: 85.00%
+  Recall@5: 95.00%
+  Recall@10: 100.00%
+
+【精确率 Precision@k】
+  Precision@1: 100.00%
+  Precision@3: 90.00%
+  Precision@5: 80.00%
+  Precision@10: 55.00%
+
+【F1 分数 F1@k】
+  F1@1: 0.7500
+  F1@3: 0.8718
+  F1@5: 0.8636
+  F1@10: 0.7097
+
+【平均倒数排名 MRR】: 0.8500
+
+================================================================================
+指标说明：
+- Recall@k: 前 k 个结果中包含多少比例的相关文档
+- Precision@k: 前 k 个结果中有多少比例是相关文档
+- F1@k: 召回率和精确率的调和平均数
+- MRR: 第一个相关文档的排名的倒数的平均值
+================================================================================
+```
+
+---
+
+## 🔗 相关文件
+
+- `backend/app/rag/evaluate.py` - 评估模块
+- `backend/scripts/evaluate_rag.py` - 评估示例脚本
+- `backend/app/rag/pipeline.py` - RAG 流水线
+- `backend/app/model_services/` - 模型服务