RAG 三元组评估

课程简介

上下文相关性、答案真实性、回答相关性三维度评估 RAG 质量。

🎬 本课程视频：Advanced RAG — 构建与评估高级 RAG 应用

---

RAG 三元组评估：系统化衡量 RAG 质量

一、为什么需要系统化的 RAG 评估？

RAG 系统的质量评估比传统软件评估更复杂。传统软件的输出是确定性的——输入相同，输出就相同。但 RAG 系统涉及检索和生成两个既有耦合又有不确定性的环节。一个小小的检索偏差可以导致生成的答案完全偏离事实。一个看似完美的回答可能只是模型在「背诵」自己的训练知识，而非真正基于检索到的文档。

系统化的评估体系能够帮助我们：
1. 定位问题环节：当输出质量不佳时，判断是检索环节的问题还是生成环节的问题
2. 量化优化效果：每次修改提示词、检索策略或文档库后，客观衡量效果是变好还是变差了
3. 建立质量标准：为生产环境设定质量门槛，低于阈值的回答进行人工审核或自动拦截

二、RAG 三元组评估框架

RAG 三元组（RAG Triad）是 TruLens 等工具推广的行业标准评估框架，从三个维度系统性地衡量 RAG 输出质量：

1. 上下文相关性（Context Relevance）：检索到的文档片段是否与用户问题相关
2. 答案忠实性（Answer Faithfulness）：LLM 的回答是否严格基于检索到的上下文
3. 答案相关性（Answer Relevance）：最终回答是否切实解决了用户的问题

2.1 三元组的层次关系

这三个维度不是平行的，而是有层次关系的：

用户问题
    ↓
检索阶段 → 上下文相关性（检索质量）
    ↓
生成阶段 → 答案忠实性（是否基于事实）
    ↓
交付阶段 → 答案相关性（是否解决问题）

上游的问题会传导到下游：上下文相关性差必然导致答案忠实性差，但上下文相关不保证答案忠实。

三、上下文相关性评估

3.1 定义与重要性

上下文相关性评估检索阶段的质量。问题是：检索系统返回的文档片段是否与用户查询紧密相关？如果返回了大量不相关的上下文，即使 LLM 的生成能力再好，也无法给出正确的回答。

3.2 评估方法

人工评估：让评估者阅读查询和检索结果，按照 1-5 分打分。

LLM 自动评估：使用专门的评估模型或评估提示词：

def evaluate_context_relevance(query, retrieved_contexts):
    '''
    使用 LLM 评估检索到的上下文与查询的相关性
    '''
    evaluation_prompt = f'''
    你是一个 RAG 检索质量评估专家。请评估以下检索到的文档片段是否与用户查询相关。

    用户查询：{query}

    检索到的文档片段：
    {retrieved_contexts}

    请按以下维度评估（每项 1-5 分）：
    1. 直接相关性：文档片段是否直接回答了查询中的问题？
    2. 信息充足度：文档片段是否提供了回答该问题所需的足够信息？
    3. 冗余度：文档片段中有多少内容与查询无关？

    最后给出总体评分（1-5）和说明。
    '''
    evaluation = evaluate_llm.generate(evaluation_prompt)
    return parse_evaluation(evaluation)

3.3 关键问题

• 相关但无用：内容相关但过于宽泛，无法用于生成具体答案
• 部分相关：多个文档片段各自只与问题的一部分相关，需要拼接
• 假阳性：关键词匹配但语义不相关

四、答案忠实性评估

4.1 定义与重要性

答案忠实性是 RAG 评估中最核心的指标。它衡量的是：LLM 的每个陈述是否都能在检索到的上下文中找到事实依据。

忠实性差的典型表现就是幻觉——模型添加了上下文中不存在的信息。

4.2 评估方法

声明分解法（Claim Decomposition）：

def evaluate_faithfulness(response, context):
    '''
    评估回答对上下文的忠实性
    '''
    # 1. 将回答分解为独立的声明（事实性陈述）
    decomposition_prompt = f'''
    将以下回答分解为独立的声明（每个声明是一个事实性陈述）：

    回答：{response}

    返回 JSON 格式的声明列表。
    '''
    claims = extract_claims(decomposition_prompt, response)

    # 2. 逐一验证每个声明
    faithfulness_score = 0
    supported_claims = []
    unsupported_claims = []

    for claim in claims:
        verification_prompt = f'''
        检查以下声明是否可以在给定的上下文中找到明确依据。

        声明：{claim}

        上下文：{context}

        该声明是否完全基于上下文中的信息？
        返回：SUPPORTED / PARTIALLY_SUPPORTED / NOT_SUPPORTED
        并给出简短的说明。
        '''
        result = verify_claim(verification_prompt, claim, context)

        if result == "SUPPORTED":
            supported_claims.append(claim)
        else:
            unsupported_claims.append({
                "claim": claim,
                "status": result
            })

    # 3. 计算忠实性分数
    faithfulness_score = len(supported_claims) / len(claims) if claims else 1.0

    return {
        "score": faithfulness_score,
        "supported_claims": supported_claims,
        "unsupported_claims": unsupported_claims
    }

4.3 常见忠实性问题

1. 直接添加无依据信息：回答中包含未在上下文中出现的数据或陈述
2. 过度泛化：将上下文中的特定结论推广到不适当的范围
3. 错误归因：将上下文中的陈述错误地归因到不同的实体
4. 矛盾：回答中的信息与上下文中的信息直接冲突

4.4 对抗性评估

除了常规评估，还应该对忠实性进行对抗性测试：

输入：回答中包含上下文中没有的信息
预期：评估系统检测到幻觉

输入：回答用看似合理的推理掩盖无依据的结论
预期：评估系统穿透表面合理性，发现无依据陈述

五、答案相关性评估

5.1 定义与重要性

答案相关性从用户视角出发，衡量最终回答是否切实解决了用户的问题。一个回答可能完全忠实于上下文，但如果它回答的是另一个问题，或者只回答了问题的很小一部分，那么它就是相关度低的。

5.2 评估方法

用户意图匹配：

def evaluate_answer_relevance(query, response):
    '''
    评估回答是否解决了用户的问题
    '''
    prompt = f'''
    用户提出了以下问题，AI 给出了一个回答。
    请评估回答的相关性。

    用户问题：{query}
    AI 回答：{response}

    评估维度：
    1. 意图匹配（1-5分）：回答是否针对用户真正的需求？
    2. 完整性（1-5分）：回答是否覆盖了问题中所有方面？
    3. 可操作性（1-5分）：用户是否可以直接使用这个回答？
    4. 简洁性（1-5分）：回答是否直接且有重点？

    请给出总体评分和一针见血的改进建议。
    '''
    evaluation = evaluate_llm.generate(prompt)
    return parse_evaluation(evaluation)

5.3 相关但不充分的陷阱

• 只回答了部分问题：多个子问题中只回答了一个
• 回答太笼统：回答正确但没有具体信息
• 回答了隐含问题但不是主要问题：用户问「怎么做」，回答「为什么重要」

六、自动化评估管道

6.1 评估集构建

要建立可靠的自动化评估，首先需要构建高质量的评估集：

eval_set = [
    {
        "id": "test_001",
        "query": "2024年新能源汽车销量冠军是谁？",
        "retrieved_context": "...",
        "expected_response": "...",
        "expected_context_relevance": 5,
        "expected_faithfulness": 5,
        "expected_answer_relevance": 5
    },
    # ... 100-500 个测试用例
]

评估集应覆盖：
- 简单事实型问题（40%）
- 多步推理型问题（30%）
- 比较分析型问题（20%）
- 边缘情况和恶意输入（10%）

6.2 自动回归测试

每次系统变更（修改提示词、更新文档库、切换检索策略）时自动运行评估：

def regression_test(reranker, llm_pipeline, eval_set):
    results = []
    for test_case in eval_set:
        # 端到端执行
        response = llm_pipeline(test_case["query"])

        # 三元组评估
        context_rel = evaluate_context_relevance(test_case["query"], response.retrieved_context)
        faithfulness = evaluate_faithfulness(response.text, response.retrieved_context)
        answer_rel = evaluate_answer_relevance(test_case["query"], response.text)

        results.append({
            "test_id": test_case["id"],
            "context_relevance": context_rel,
            "faithfulness": faithfulness,
            "answer_relevance": answer_rel
        })

    # 汇总统计
    avg_scores = {
        "context_relevance": sum(r["context_relevance"] for r in results) / len(results),
        "faithfulness": sum(r["faithfulness"] for r in results) / len(results),
        "answer_relevance": sum(r["answer_relevance"] for r in results) / len(results)
    }

    return avg_scores, results

七、评估的最佳实践

1. 建立基线：先运行一个初始版本的评估，记录当前的基线分数
2. 保持评估集独立：评估集不应包含在训练集或用于调试的样例中
3. 定期更新评估集：随着产品演进和用户反馈积累，持续扩充评估集
4. 人工抽检：自动化评估虽然效率高，但应配合人工抽检确保评估质量
5. 追踪趋势而非绝对值：更关注分数的变化趋势而非绝对数值

八、总结

RAG 三元组（上下文相关性、答案忠实性、答案相关性）从检索、生成、交付三个层级系统性地评估 RAG 系统的输出质量。上下文相关性衡量检索到的内容是否紧扣用户问题，答案忠实性验证回答是否基于检索上下文而非模型幻觉，答案相关性评估最终回答是否从用户视角解决了问题。建立自动化评估管道和高质量的评估集，是持续优化 RAG 系统的必要条件。

五、自动化评估的实现

5.1 使用 LLM 进行自动化评估

RAG 三元组评估可以用 LLM as Judge 的方式自动化：

def evaluate_rag(query, context, response):
    scores = {}

    # 评估上下文相关性
    scores['context_relevance'] = llm_judge(
        f"""判断以下上下文是否与查询相关：
        查询：{query}
        上下文：{context}
        请给出 1-5 的评分并解释。"""
    )

    # 评估答案忠实性
    scores['faithfulness'] = llm_judge(
        f"""判断以下回答是否完全基于给定上下文：
        上下文：{context}
        回答：{response}
        如果回答包含上下文未提及的信息，请指出。"""
    )

    # 评估答案相关性
    scores['answer_relevance'] = llm_judge(
        f"""判断以下回答是否解决了用户的问题：
        问题：{query}
        回答：{response}
        请给出 1-5 的评分。"""
    )

    return scores

六、评估数据集构建

一个好的评估数据集应该包含：

1. 典型问题：覆盖最常见的用户查询类型
2. 困难问题：需要多步推理或精确数据
3. 边缘情况：模糊问题、非法输入、空查询
4. 对抗样本：误导性问题、含陷阱的问题

每种类型至少 20-50 个样本，总计 100-200 个测试用例。

七、评估运营化

评估不是一次性的活动，而是持续的过程：

• CI/CD 集成：每次代码变更自动运行评估
• 回归测试：防止已知问题在新版本中复现
• A/B 测试：对比不同策略的评估分数
• 监控看板：实时展示生产环境的评估指标

八、总结

RAG 三元组评估框架是构建可靠 RAG 系统的基石。

关键要点回顾：
- 上下文相关性确保 LLM 获得正确的信息
- 答案忠实性防止 LLM 产生幻觉
- 答案相关性确保回答了用户真正的问题
- 三元组之间存在平衡关系，需要联合优化
- 自动化评估和评估数据集是持续优化的基础

五、自动化评估的实现

5.1 使用 LLM 进行自动化评估

RAG 三元组评估可以用 LLM as Judge 的方式自动化：

def evaluate_rag(query, context, response):
    scores = {}

    # 评估上下文相关性
    scores['context_relevance'] = llm_judge(
        f"""判断以下上下文是否与查询相关：
        查询：{query}
        上下文：{context}
        请给出 1-5 的评分并解释。"""
    )

    # 评估答案忠实性
    scores['faithfulness'] = llm_judge(
        f"""判断以下回答是否完全基于给定上下文：
        上下文：{context}
        回答：{response}
        如果回答包含上下文未提及的信息，请指出。"""
    )

    # 评估答案相关性
    scores['answer_relevance'] = llm_judge(
        f"""判断以下回答是否解决了用户的问题：
        问题：{query}
        回答：{response}
        请给出 1-5 的评分。"""
    )

    return scores

六、评估数据集构建

一个好的评估数据集应该包含：

1. 典型问题：覆盖最常见的用户查询类型
2. 困难问题：需要多步推理或精确数据
3. 边缘情况：模糊问题、非法输入、空查询
4. 对抗样本：误导性问题、含陷阱的问题

每种类型至少 20-50 个样本，总计 100-200 个测试用例。

七、评估运营化

评估不是一次性的活动，而是持续的过程：

• CI/CD 集成：每次代码变更自动运行评估
• 回归测试：防止已知问题在新版本中复现
• A/B 测试：对比不同策略的评估分数
• 监控看板：实时展示生产环境的评估指标

八、总结

RAG 三元组评估框架是构建可靠 RAG 系统的基石。

关键要点回顾：
- 上下文相关性确保 LLM 获得正确的信息
- 答案忠实性防止 LLM 产生幻觉
- 答案相关性确保回答了用户真正的问题
- 三元组之间存在平衡关系，需要联合优化
- 自动化评估和评估数据集是持续优化的基础

五、自动化评估的实现

5.1 使用 LLM 进行自动化评估

RAG 三元组评估可以用 LLM as Judge 的方式自动化：

def evaluate_rag(query, context, response):
    scores = {}

    # 评估上下文相关性
    scores['context_relevance'] = llm_judge(
        f"""判断以下上下文是否与查询相关：
        查询：{query}
        上下文：{context}
        请给出 1-5 的评分并解释。"""
    )

    # 评估答案忠实性
    scores['faithfulness'] = llm_judge(
        f"""判断以下回答是否完全基于给定上下文：
        上下文：{context}
        回答：{response}
        如果回答包含上下文未提及的信息，请指出。"""
    )

    # 评估答案相关性
    scores['answer_relevance'] = llm_judge(
        f"""判断以下回答是否解决了用户的问题：
        问题：{query}
        回答：{response}
        请给出 1-5 的评分。"""
    )

    return scores

六、评估数据集构建

一个好的评估数据集应该包含：

1. 典型问题：覆盖最常见的用户查询类型
2. 困难问题：需要多步推理或精确数据
3. 边缘情况：模糊问题、非法输入、空查询
4. 对抗样本：误导性问题、含陷阱的问题

每种类型至少 20-50 个样本，总计 100-200 个测试用例。

七、评估运营化

评估不是一次性的活动，而是持续的过程：

• CI/CD 集成：每次代码变更自动运行评估
• 回归测试：防止已知问题在新版本中复现
• A/B 测试：对比不同策略的评估分数
• 监控看板：实时展示生产环境的评估指标

八、总结

RAG 三元组评估框架是构建可靠 RAG 系统的基石。

关键要点回顾：
- 上下文相关性确保 LLM 获得正确的信息
- 答案忠实性防止 LLM 产生幻觉
- 答案相关性确保回答了用户真正的问题
- 三元组之间存在平衡关系，需要联合优化
- 自动化评估和评估数据集是持续优化的基础

延伸阅读

• 📺 B 站播放列表：Advanced RAG — 构建与评估高级 RAG 应用
• 📚 更多学习资源，请访问 deeplearning.ai 官网