ailine/backend/docs/RAG_EVALUATION_GUIDE.md

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：

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

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

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：

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：

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

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

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）

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：

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：

# 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：

# 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