【干货收藏】小白也能学会的RAG知识库质量优化指南

关注

原创最新推荐文章于 2026-03-31 04:23:49 发布 1.3k 阅读 AI 写同款· GEO 优化 ›

AI大模型探索之路-应用篇11：AI大模型应用智能评估（Ragas）随着人工智能技术的飞速发展，AI大模型（LLM）已经成为了推动技术创新和应用的关键因素。这些大模型在语言理解、图像识别、自然语言生成等领域展现出了惊人的能力。然而，随着模型规模的增大，它们对计算资源的消耗、环境适应性、模型稳定性、安全性和可解释性等方面也提出了新的挑战。因此，对AI大模型进行智能评估变得至关重要，以确保它们在实际应用中的稳定性、可靠性和有效性。本文将详细介绍Ragas框架，一个专为AI大模型设计的智能评估工具。阅读详情

一、前情提要——知识库评估框架搭建

1.之前的评估指标

用retrieved_context、answer、ground_truth三个值，分别两两做余弦相似度，来衡量RAG知识库的建设情况。其中：

retrieved_context：即RAG知识库召回的内容，用作后续给大模型提示的上下文，以下会简称context
answer：即大模型根据提示输出给用户所见的答案
ground_truth：三个值中唯一由人类编写的基准问题答案

然后我们三个指标分别是：

召回率（recall_score）：context与ground_truth的余弦相似度对比
正确度（correctness）：answer与ground_truth的余弦相似度对比
是否基于知识（groundedness）：context与answer的余弦相似度对比

2.之前犯的错

之前获取context的方法为直接从基准的问答对中获取context（都怪ChatGPT给我生成的代码），在基准问答数量不多的情况下，完全无法匹配实际知识库的内容。因此我们第一次用20个基准问答进行测评的召回率非常低，只有0.54，从指标上来看就是一个基本不可用的状态。所以在改进的方法里，我们直接获取智能体链路中的context，这样就可以真实评估知识库的建设情况。

3.调整后我们的指标结果

在调整过上述内容后，我们用50个问答对的基准文件获取了新的三个指标，结果分别是：

recall_score：0.84354
correctness：0.856932
groundedness：0.886386

可以看到分数相较之前（0.54，0.75，0.59）有了明显提升，并且也趋于理性，但这个分数到底应该怎么评价，我们设计了以下评价单：

分数区间	评价结果	表现
0.00 – 0.60	不可用	多数回答错误、检索不到内容、强幻觉
0.60 – 0.70	很差，不稳定	大量错误回答、引用不全、模型经常胡猜
0.70 – 0.80	差，提供参考价值有限	回答部分正确，但经常缺失关键信息或依据不足
0.80 – 0.85	一般，可用性有限	系统有基本功能，但明显不稳定，幻觉仍较多，不可信任
0.85 – 0.90	中等，初步可用	70–80% 的回答还行，其余需要检查
0.90 – 0.95	良好，表现尚可	整体稳定，只在少数复杂问题出现偏差
0.95 – 0.98	优秀，成熟可用	绝大多数回答可直接信赖，幻觉很少
0.98 – 1.00	卓越，近乎完美	所有问题都根据知识库稳定回答，几乎无幻觉

实际使用时，可以找到分数低的基准问题，来针对性优化相关的知识片段。

二、为什么不用ragas来评估

其实我们也已经搭建了ragas评判机制（credits to 在20250315见过金玟庭的某人，啾咪），后续就都会用ragas来进行判断了。

先简单介绍下ragas，ragas是一个比较热门的用来评价RAG系统的开源框架，其核心除了retrieved_context、answer、ground_truth三个值外，还多了query这个值（就是输入问题）。ragas有多个指标来衡量RAG系统的建设效果，这里介绍四个基本的指标：

侧重生成（generation）指标：

faithfulness（忠实性）：回答中的事实是否都能在检索到的上下文中找到依据，用于衡量模型是否产生幻觉
answer relevancy（回答相关性）：生成的回答与问题的相关性有多高？回答的问题与基准答案的相关性，大模型根据回答逆向推断出问题，判断假定的问题与真实问题的相关性

侧重检索（retrieval）指标：

context precision（上下文精确率）：检索到的K个切片中，有多少是和问题、基准答案相关的
context recall（上下文召回率）：它能否检索到回答该问题所需的所有相关信息？检索到的上下文与基准答案的一致程度

ragas的主要计算方法不是通过余弦相似度，而是让大模型自己进行判断，因为余弦相似度会有这样的问题：

参考文档：上海是中国的城市

回答：上海是美国的城市

余弦相似度很高，但答案是错的

当然大模型也不是完全值得信任，参数量越小的模型其判断能力也就越差，而用向量计算余弦相似度也有其工程上的科学性，选用哪一种方式见仁见智吧。

再来总结下：

指标	调用大模型次数/问题	计算方法
faithfulness	1	大模型判断相关性
answer relevancy	1	逆向问题与基准问题的平均余弦相似度
context precision	N，召回N个片段调用N次	大模型判断相关性
context recall	N，召回N个片段调用N次	大模型判断相关性

在不优化提示词与调用方法的情况下，在一个常规设置召回top-k为4的RAG系统中，一个问题就需要调用10次通用大模型与1次embedding模型（查看源码发现实际上在answer relevancy指标获取上，基准问题和逆向问题各分别调了一次embedding），对模型资源是一个比较大的消耗。我们在测试时用了50个基准问题，大模型的调用次数已经来到了620+次（620次里还包含context relevance指标，但我觉得这个指标没啥意义，所以这里不介绍了）。

50个基准问题测试后结果如下：

faithfulness：0.833375
answer relevancy：0.880049
context precision：0.963151
context recall：0.906750

与用纯余弦相似度计算的结果相比，两者的结果指标在区间上相近，但在上下文质量的评估上ragas获取的分数更高。ragas的整体分数也可以用上文中的评价区间来评价，这点是共通的。

总的来说，ragas在事实判断上更强，但成本更高，按需使用即可。

三、如何改进提升指标

上面废话了那么多后，不管是用我们余弦相似度指标还是ragas框架，最终目标都是去改进我们的知识库。

改进有两个方向，一个方向是提升召回的准确率和一致性，另一个方向是提升回答得准确率和相关性。

1.提升召回能力

提升召回能力这个方向中，有两个子提升方向，一个是提升知识切片（chunking）的质量，另一个就是对召回本身的能力进行提升。

提升切片质量

先明确说下：在规模化的知识库场景下，切片不应该依赖人工逐条完成。知识团队要做的是对原始的知识文档解析：

①将其中的图片、表格变成描述性文字

②补充相关的段落标题、关键字

③删除文档中原本为了可读性而添加的信息密度低的文字

剩下的切片，应该是给出规则让系统自己进行切片。在dify中，dify会按照其默认配置对知识文档会进行切片，在中文场景下，一般设置一个chunk为500 tokens，重叠50 tokens是没啥问题的。

在这里，ragas给了一个灵感——让大模型来打分，例如以下几个维度：

①自洽性：让大模型来评判一个chunk文本是否可以在没有任何上下文的情况下被完整理解

②纯净度：embedding计算一个chunk内各句子间的平均余弦相似度，看一个chunk是否主题混杂

③信息密度：让大模型来抽取chunk中可以判断对错的句子数，然后计算其占总句子数的比例，比例低说明chunk很水

④可检索性：让大模型为chunk生成3-5个可能问题，看看chunk是否出现在top-k中，这个是直接对应召回率的一个指标

可以综合一个加权分数，然后过滤出质量差的chunk。

上述方案会作为我们下阶段的探索方向，等有更多成果了再跟大家汇报。

另外在测评的过程中，我们发现现有知识库中有很多重复内容，某些语义相似的片段甚至会有自相矛盾的内容。重复内容将造成评测失真，我们简单去除了明显重复的内容后，召回质量也有了一定提升。后续也可以通过更加工程化的方式找到重复的chunk，简单想想的方式有：先通过文本hash去除完全一致的内容，然后计算每个chunk的embedding，再每个chunk查找top-k相似的chunk，通过相似度或大模型判断来找到语义相似的chunk。