别再盲目调参！3个核心指标帮你量化RAG系统，内附FastGPT最新评测数据-优快云博客

需求背景

FastGPT（https://fastgpt.cn）系统目前缺乏一个直观的评估指标，无法有效衡量对 RAG 部分的修改或模型参数微调后的效果。因此，我们迫切需要一个评测机制来评估这些改动对系统整体性能的影响。

为了解决这个问题，我们引入了评价框架 Ragas^[1]。该框架通过问题定义、信息检索、答案生成和标准答案四个核心要素，结合多种评估指标，提供了一套直观而全面的评估方法来衡量 RAG 模型的效果。我们已将 Ragas 评测方法整合到 FastGPT 应用中，使用户可以随时对其自定义的 FastGPT 应用进行效果评估。

评测指标

• FactualCorrectness：是一个评估语言模型生成的响应事实正确性的指标类。它通过断言分解和自然语言推理 (NLI) 来验证响应中所提出的断言是否与参考文本相符。
• SemanticSimilarity：采用交叉编码器得分评估真实答案与生成答案之间的语义相似度。
• RougeScore：基于最长公共子序列的重叠度来计算的 F1-score。

详情可参考 Ragas 的指标解析文档：Ragas_metrics^[2]

使用方法

拉取阿里云镜像并创建容器

docker pull crpi-h3snc261q1dosroc.cn-hangzhou.personal.cr.aliyuncs.com/fastgpt_ck/ragas_eval:v1
docker run -idt -p 7222:7222 --name fastgpt_eval crpi-h3snc261q1dosroc.cn-hangzhou.personal.cr.aliyuncs.com/fastgpt_ck/ragas_eval:v1 /bin/bash

准备评测数据集

在开始评测之前，我们需要准备一个包含标准问题和标准答案的评测数据集。数据集需要按照以下 CSV 文件格式组织：

• CSV 文件的第一行为表头，包含两列：user_input (问题) 和 reference (标准答案)
• 从第二行开始为实际的测试数据，每行包含一个问题及其对应的标准答案

示例格式如下：

user_input	reference
question1	answer1
question2	answer2

接口访问

测评接口

准备好评测数据集后，可以通过以下接口发起评测请求：

curl --location --request POST 'http://localhost:7222/v1/parse/eval_rag' \
--header 'Authorization: Bearer your_access_token' \
--form 'input_file=@"/Rag_FW/dataset/test_data_50_inference_input.csv"' \
--form 'api_url="https://api.fastgpt.in/api"' \
--form 'api_key="fastgpt-xxxxxxxxx"'\
--form 'query_id="02899f89-1e77-4eed-aa74-24294461bdab"'

• api_url：FastGPT 应用的 API 根地址，用于指定请求发送的目标地址
• api_key：FastGPT 应用的 API Key，用于身份验证和授权访问
• query_id：用于断点续传的标识符 (可选)。当评测过程因服务崩溃等意外中断时，可以使用相同的 query_id 重新发起请求，继续未完成的评测任务。

返回信息：接口会返回一个 query_id，可用于后续通过查询接口获取评测结果。

查询接口

评测完成后，可以通过以下接口查询评测结果：

curl --location --request POST 'http://localhost:7222/v1/parse/eval_rag_query' \
--header 'Authorization: Bearer your_access_token' \
--form 'query_id="1afb0593-eeec-42e9-a90b-be4ad0f4b76a"'

• query_id：评测任务的唯一标识符。可以通过评测接口获取，如果遗失可以在 docker logs 中查看

返回信息：接口会以 CSV 文件流的形式返回包含各项评价指标的评测结果。

评测过程中，可以通过 docker logs 命令实时查看任务的处理进度。

效果演示

启动 Docker 容器后，利用测评接口来访问评测服务，可以得到下图的信息，其中的 file_id 就可以用在查询接口中：

可以通过 docker logs 命令实时查看评测任务的处理进度：

评测所需的输入文件格式如下：

评测完成后，输出文件将包含详细的评测指标：

输出文件的最后一行会显示所有评测指标的平均值，方便整体评估系统性能。

重点将 SemanticSimilarity 作为主要的评价指标。

FastGPT 评测结果

我们使用 50 条中英文混合的测试数据进行评测，主要测试了以下配置：

• 启用结果重排时，设置 Rerank 最低相关度阈值为 0.3
• 不启用结果重排时，设置 Rerank 最低相关度阈值为 0.4
• 单次引用上下文的上限为 5000

以下是各项评测指标的平均值统计结果：

	参数	FactualCorrectness	SemanticSimilarity	RougeScore
语义检索		0.4812	0.8995	0.5370
语义检索+结果重排		0.4606	0.8992	0.5245
全文检索+结果重排		0.3562	0.8528	0.3829
混合检索+结果重排		0.4128	0.8703	0.4505