做好 RAG 落地最后环节 —— 评估 RAG 应用，大模型入门到精通，收藏这篇就足够了！

最新推荐文章于 2025-11-23 19:13:18 发布

原创最新推荐文章于 2025-11-23 19:13:18 发布 · 406 阅读

10 ·

CC 4.0 BY-SA版权

文章标签：

#LLM #人工智能 #知识库 #本地化部署 #RAG #大模型应用 #大模型开发

一、为什么RAG应用需要评估

随着大模型技术的发展，我们已经具备了开发完整 RAG（Retrieval-Augmented Generation，检索增强生成）应用的技术能力。借助 LlamaIndex、LangChain 等成熟框架，可以在较短时间内实现从原型到应用的快速构建。然而，真正将 RAG 应用推向生产环境，远不只是“搭建起来”那么简单，仍有许多问题值得提前思考与应对。

1. 大模型输出的不确定性
大模型的回答往往带有不确定性，这种特性会造成结果的不可预知性。如果缺乏充分测试，上线后可能引发严重的应用风险。因此，在部署之前，必须通过科学的方法对系统进行全面评估，尽可能量化和控制这种不确定性。
2. 持续评估与改进机制
应用上线只是起点。在后续的迭代中，需要建立科学、快速且可复用的评估机制，用于衡量改进是否真正带来价值。例如，某次优化后，回答的置信度是上升了 10%，还是下降了 5%？只有通过系统化的度量，才能避免“盲目调优”。
3. 知识库的动态变化
RAG 应用依赖的知识库并非一成不变。在持续更新与维护过程中，可能会引入新的噪声甚至错误信息。为了确保应用长期稳定运行，定期检测与重新评估知识库的质量就显得尤为重要。
4. 底层模型的选择与升级
RAG 应用高度依赖底层大模型。面对市面上众多商业与开源模型，企业需要明确如何选择最适合自身需求的版本。同时，模型升级是否会带来性能提升，还是引入新的不确定性，也是必须提前纳入评估体系的关键问题。

RAG 应用的快速开发并非难事，真正的挑战在于如何在生产环境中保持其稳定性、可控性和持续改进的能力。唯有建立起科学的评估与运维体系，才能让 RAG 应用真正发挥价值。

二、RAG应用的评估依据与指标

基于大模型的 RAG 应用与传统应用存在显著差异：传统应用的输出多具备确定性与可量化性，例如直接输出明确数值，评估标准清晰且易于衡量；而 RAG 应用以自然语言作为输入与输出载体，其结果通常表现为一段文本内容 —— 这类输出的相关性、准确性等核心指标，难以通过简单的定量方式直接判断，往往需要依托更智能的评估工具与专业模型完成综合评估。

RAG 应用的评估依据，即评估模块的输入一般包括以下要素。

输入问题（question）：用户在使用 RAG 应用时的输入问题。
生成的答案（answer）：需要评估的 RAG 应用的输出，即问题的答案。
上下文（context）：用于增强 RAG 应用输出的参考上下文，通常在检索阶段生成。
参考答案（reference_answer）：输入问题的真实的正确答案，通常需要人类标注。

基于这些评估依据，对 RAG 应用进行评估的常见指标见表1 。

三、RAG应用的评估流程与方法

确定评估的目的、维度与指标。
准备评估数据集，可以自行准备与标注，也可以使用大模型生成。根
据评估指标，你可能需要准备不同的输入问题（ question ）与参考答案（reference_answer）。
将评估数据集输入 RAG 应用，获得检索结果（即上下文，context）与生成的答案（answer）。
将评估依据输入评估器，计算各类评估指标，分析 RAG 应用的整体性能。
对 RAG 应用的组件级评估通常侧重于检索与生成两个最关键的阶段。通过对这两个阶段单独评估，可以更细致地观察与分析问题，从而有针对性地优化与增强 RAG 应用。

四、评估检索质量

利用检索评估组件 RetrieverEvaluator 可以对任何检索模块进行质量评估。

该评估的主要指标如下。

命中率（hit_rate）：表示检索出的上下文对期望的上下文的命中率。
平均倒数排名（mrr）：衡量检索出的上下文的排名质量。
cohere 重排相关性（cohere-rerank-relevancy）：用 Cohere Rerank 模型的排名结果衡量检索的排名质量。

评估检索质量的主要依据为输入问题与期望的上下文（检索出的 Node）。

1、生成检索评估数据集

评估检索过程有两种方式：用 evaluate 方法评估单次查询，或用 evaluate_dataset 方法批量评估构造好的检索评估数据集。由于评估的是检索上下文与问题的相关性，需要问题与参考上下文的数据对，因此首先需用 generate_question_context_pairs 方法借助大模型从已有数据生成检索评估数据集（也可自行构造）。

# 读取文档，构造 Node，用于生成检索评估数据集
from pathlib import Path
from llama_index.core import SimpleDirectoryReader, VectorStoreIndex
from llama_index.core.node_parser import SentenceSplitter
from llama_index.core.evaluation import (
generate_question_context_pairs,
EmbeddingQAFinetuneDataset,
)
# 加载大模型的代码，请勿删除 start
from common.llm_model_helper import llm_settings
# 加载大模型的代码，请勿删除 end
documents = SimpleDirectoryReader(
input_files=[r"D:\muxue\common_docs\jianlai.txt"]).load_data()
node_parser = SentenceSplitter(chunk_size=1024)
nodes = node_parser.get_nodes_from_documents(documents)
for idx, node in enumerate(nodes):
node.id_ = f"node_{idx}"
# 准备一个检索器，后面使用
# vector_index = VectorStoreIndex(nodes)
# retriever = vector_index.as_retriever(similarity_top_k=2)
QA_GENERATE_PROMPT_TMPL = """
以下是上下文:
---------------------
{context_str}
---------------------
你是一位专业教授。你的任务是基于以上的上下文，为即将到来的考试设置{num_questions_per_chunk} 个问题。
这些问题必须基于提供的上下文生成，并确保上下文能够回答这些问题。确保每一行都只有一个独立的问题。不要有多余解释。不要给问题编号。
"""
print("Generating question-context pairs...")
qa_dataset = generate_question_context_pairs(
nodes,
# llm=llm_ollama,
num_questions_per_chunk=1,
qa_generate_prompt_tmpl=QA_GENERATE_PROMPT_TMPL
)
print("Saving dataset...")
qa_dataset.save_json("retriever_eval_dataset.json")

在这段代码中，手工设置了中文的 Prompt，一方面有助于了解生成原理与调试生成结果，另一方面用于生成中文问题。最后，把生成的检索评估数据集保存到本地的 JSON 文档中，以减少不必要的重复生成，后面只需要从本地文档中加载即可。

2、运行评估检索过程的程序

我们已经构造了一个检索器，并且借助大模型生成了检索评估数据集。下面构造与运行检索评估器。基本的流程如下。

加载检索评估数据集。
构造检索评估器（ RetrieverEvaluator 对象），设置评估指标。
调用 evaluate 方法，查看评估结果。

读取文档，构造 Node，用于生成检索评估数据集

# 读取文档，构造 Node，用于生成检索评估数据集
from pathlib import Path
from llama_index.core import SimpleDirectoryReader, VectorStoreIndex
from llama_index.core.node_parser import SentenceSplitter
from llama_index.core.evaluation import (
generate_question_context_pairs,
EmbeddingQAFinetuneDataset,
)
from llama_index.core.evaluation import RetrieverEvaluator
from evaluation_comm import get_retriever
print("Loading dataset...")
# 从保存的 JSON 文档中加载检索评估数据集
qa_dataset = EmbeddingQAFinetuneDataset.from_json("retriever_eval_dataset.json")
eval_querys = list(qa_dataset.queries.items())
# 构造一个检索评估器，设定两个评估指标
metrics = ["mrr", "hit_rate"]
retriever_evaluator = RetrieverEvaluator.from_metric_names(metrics, retriever=get_retriever())
# 简单评估前 10 个评估用例
for eval_id, eval_query in eval_querys[:10]:
expect_docs = qa_dataset.relevant_docs[eval_id]
print(f"Query: {eval_query}, Expected docs: {expect_docs}")
# 评估，输入评估问题与预期检索出的 Node
eval_result = retriever_evaluator.evaluate(query=eval_query, expected_ids=expect_docs)
print(eval_result)
# 对整个评估数据集进行评估
# eval_results = retriever_evaluator.evaluate_dataset(qa_dataset)

从打印的结果中可以看到评估指标，你可以对这些评估指标进行汇总计算，得出检索评估器的质量评估结果。如果需要对整个检索评估数据集直接进行评估，那么可以使用更简单的方式：

eval_results = retriever_evaluator.evaluate_dataset(qa_dataset)

直接在检索评估数据集上调用 evaluate_dataset 方法，其效果与逐个循环调用 evaluate 方法的效果是一致的。

五、评估响应质量

响应质量是 RAG 应用评估的重点，关乎端到端客户体验。可评估单个指标、单次响应，也可基于批量数据集自动运行多个响应评估器以获取整体结果。

1、生成响应评估数据集

和评估检索过程类似，仍可借助大模型生成响应评估数据集（也可按格式自行标注）。它与检索评估数据集不同，因评估响应质量除需问题和检索上下文外，还需大模型生成的答案甚至参考答案。用 generate_dataset_from_nodes 方法能让大模型批量生成响应评估数据集。

from pathlib import Path
from llama_index.core import SimpleDirectoryReader, VectorStoreIndex
from llama_index.core.llama_dataset.generator import RagDatasetGenerator
from llama_index.core.llama_dataset import LabelledRagDataset
# 加载大模型的代码
from common.llm_model_helper import llm_settings
# build documents
docs = SimpleDirectoryReader(input_files=[r'D:\muxue\common_docs\jianlai.txt']).load_data()
# define generator, generate questions
dataset_generator = RagDatasetGenerator.from_documents(
documents=docs,
#llm=llm_ollama,
num_questions_per_chunk=1,  # 设置每个 Node 都生成的问题数量
show_progress=True,
question_gen_query="您是一位老师。您的任务是为即将到来的考试设置{num_questions_per_chunk}个问题。这些问题必须基于提供的上下文生成，并确保上下文能够回答这些问题。确保每一行都只有一个独立的问题。不要有多余解释。不要给问题编号。")
# 以下代码只需要运行一次
save_json_name='rag_eval_dataset_jianlai.json'
print('Generating questions from nodes...\n')
rag_dataset = dataset_generator.generate_dataset_from_nodes()
rag_dataset.save_json(save_json_name)
# 从本地文档中加载并查看
print('Loading dataset...\n')
rag_dataset = LabelledRagDataset.from_json(save_json_name)
for example in rag_dataset.examples:
print(f'query: {example.query}')
print(f'answer: {example.reference_answer}')

在运行代码后，你可以在当前目录中看到一个 rag_eval_dataset_jianlai.json 数据集文档，打开该文档，可以看到生成的每个评估用例的数据格式。其中：

query：生成的问题。
reference_contexts：检索出的参考上下文。
reference_answers：参考答案。

这些内容都可能被输入到后面的响应评估器中，作为评估响应质量的输入依据，如下所示。

2、单次响应评估

要想对 RAG 应用的某一次查询的响应过程进行不同维度的评估，那么只需要构造对应的评估器组件（Evaluator），然后输入必需的数据，即可获得评估结果。单次响应评估的输入参数有以下几个。

query：输入问题。
response：RAG 应用的响应结果。如果使用 evaluate_response 方法评估，那么可以直接输入 response；如果使用 evaluate 方法评估，那么需要从response 中提取上下文与文本内容，将其分别作为参数输入。
reference：参考答案。它在正确性与相似度评估中会用到，对应响应评估数据集中的 reference_answer 字段。

from llama_index.core import (
VectorStoreIndex,
SimpleDirectoryReader,
Response,
)
from llama_index.core.node_parser import SentenceSplitter
from llama_index.core.evaluation import (FaithfulnessEvaluator,RelevancyEvaluator,ContextRelevancyEvaluator
,AnswerRelevancyEvaluator,CorrectnessEvaluator,SemanticSimilarityEvaluator)
# 加载大模型的代码，请勿删除 start
from common.llm_model_helper import llm_settings
# 加载大模型的代码，请勿删除 end
# ......这里省略构造查询引擎的过程......
documents = SimpleDirectoryReader(input_files=[r"D:\muxue\common_docs\jianlai.txt"]).load_data()
# create vector index
splitter = SentenceSplitter(chunk_size=512)
vector_index = VectorStoreIndex.from_documents(
documents, transformations=[splitter]
)
query_engine = vector_index.as_query_engine()
# 两个重要的输入参数
query = "陈平安对中年光棍的尖酸刻薄言语有何反应？"
response = query_engine.query(query)
# 评估忠实度的评估器
evaluator = FaithfulnessEvaluator()
eval_result = evaluator.evaluate_response(query=query,
response=response)
print(f'faithfulness score: {eval_result.score}\n')
# 评估相关性的评估器（综合了上下文相关性与答案相关性）
evaluator = RelevancyEvaluator()
eval_result =evaluator.evaluate_response(query=query, response=response)
print(f'relevancy score: {eval_result.score}\n')
# 评估上下文相关性的评估器
evaluator = ContextRelevancyEvaluator()
eval_result =evaluator.evaluate_response(query=query, response=response)
print(f'context relevancy score: {eval_result.score}\n')
# 评估答案相关性的评估器
evaluator = AnswerRelevancyEvaluator()
eval_result =evaluator.evaluate_response(query=query, response=response)
print(f'answer relevancy score: {eval_result.score}\n')
# 评估正确性的评估器，注意输入了 reference
evaluator = CorrectnessEvaluator()
eval_result =evaluator.evaluate_response(query=query, response=response,
reference='根据提供的上下文信息，陈平安对中年光棍的尖酸刻薄言语反应如下：他翻了个白眼，但并不以为意。原因有二：一是他生活在这座乡野地方，早已习惯此类言语，认为若因此恼火反而显得可笑；二是这中年光棍本身也是小镇百姓经常取笑的对象，陈平安对此人并无太多计较。')
print(f'correctness score: {eval_result.score}\n')
# 评估答案与标准答案的语义相似度（基于 embedding）的评估器，注意输入了 reference
evaluator = SemanticSimilarityEvaluator()
eval_result =evaluator.evaluate_response(query=query, response=response,
reference='陈平安翻了个白眼，但并不以为意，对此人并无太多计较。')
print(f'semantic similarity score: {eval_result.score}\n')

评估过程非常简单，各个评估指标可参考表 1中的说明。必须再次强调，有的评估器需要输入参考答案（正确性与语义相似度），否则会出现异常。在正常运行评估代码后，可以看到输出的评估结果，如下图所示。

3、批量响应评估

你可以借助批量评估器，在评估数据集的基础上并行运行多个响应评估器，并通过计算与统计获得综合的性能评估结果。以（五-1）节生成的响应评估数据集为基础，对构造的查询引擎进行综合评估：

from llama_index.core import (
VectorStoreIndex,
SimpleDirectoryReader,
Response,
)
from llama_index.core.node_parser import SentenceSplitter
from llama_index.core.llama_dataset import LabelledRagDataset
from llama_index.core.evaluation import (FaithfulnessEvaluator, RelevancyEvaluator, ContextRelevancyEvaluator
, AnswerRelevancyEvaluator, CorrectnessEvaluator, SemanticSimilarityEvaluator)
from llama_index.core.evaluation import BatchEvalRunner
import asyncio
# 打印评估结果
import pandas as pd
# 加载大模型的代码，请勿删除 start
from common.llm_model_helper import llm_settings
# 加载大模型的代码，请勿删除 end
# ......这里造查询引擎......
documents = SimpleDirectoryReader(input_files=[r"D:\muxue\common_docs\jianlai.txt"]).load_data()
# create vector index
splitter = SentenceSplitter(chunk_size=512)
vector_index = VectorStoreIndex.from_documents(
documents, transformations=[splitter]
)
query_engine = vector_index.as_query_engine()
# 构造多个响应评估器
faithfulness_evaluator = FaithfulnessEvaluator()
relevancy_evaluator = RelevancyEvaluator()
correctness_evaluator = CorrectnessEvaluator()
similartiy_evaluator = SemanticSimilarityEvaluator()
# 加载数据集
rag_dataset = LabelledRagDataset.from_json('rag_eval_dataset_jianlai.json')
# 构造一个批量评估器
runner = BatchEvalRunner(
{"faithfulness": faithfulness_evaluator,
"relevancy": relevancy_evaluator,
"correctness": correctness_evaluator,
"similarity": similartiy_evaluator},
workers=4
)
async def evaluate_queries():
"""
为了提高性能，采用异步并行的评估方法，调用批量评估器
输入：查询引擎、批量的 query，批量的 reference
这里对响应评估数据集中的前十个评估用例进行评估
"""
eval_results = await runner.aevaluate_queries(
query_engine,
queries=[example.query for example in rag_dataset.examples][:10],
reference=[example.reference_answer for example in rag_dataset.examples][:10],
)
return eval_results
eval_results = asyncio.run(evaluate_queries())
def display_results(eval_results):
data = {}
for key, results in eval_results.items():
scores = [result.score for result in results]
scores.append(sum(scores) / len(scores))
data[key] = scores
data["query"] = [result.query for result in eval_results["faithfulness"]]
data["query"].append("【Average】")
df = pd.DataFrame(data)
print(df)
display_results(eval_results)

借助 BatchEvalRunner 组件，在调用 aevaluate_queries 方法进行批量评估时可以设置 workers 参数并行运行，从而缩短评估的时间。最后，我们把评估结果用表格的形式展示，以便更直观地观察（也可以输出 Excel 文档），输出结果如图所示。