跳到主要内容

RAG评测

1. 定义与边界​

RAG 评测要同时评估检索、上下文、生成、引用、安全和系统性能。只看最终答案对错不够，因为 RAG 失败可能来自切分、索引、查询改写、召回、重排、上下文组装或生成。

2. 为什么重要​

RAG 系统上线后常见问题是：

  • 用户问法变化导致召回失败。
  • 检索到正确文档但没放入上下文。
  • 上下文正确但模型生成不忠实。
  • 引用看似存在但不支持 claim。
  • 文档更新后索引过期。
  • 恶意文档诱导模型泄露或越权。

评测体系要能定位这些环节。

3. 分层评测框架​

4. 核心指标​

层级指标
检索recall@k、precision@k、MRR、nDCG
上下文context precision、context recall、重复率、token 成本
生成answer correctness、faithfulness、拒答正确率
引用citation precision、claim coverage、source freshness
安全prompt injection 成功率、越权召回率、敏感泄露率
生产p50/p95 延迟、索引新鲜度、缓存命中、成本

5. 评测数据集​

{
  "id": "q_001",
  "query": "产品 X 的企业版支持哪些 SSO 协议？",
  "expected_answer": "支持 SAML 2.0 和 OIDC。",
  "gold_evidence": [
    {"document_id": "manual_x", "section": "身份认证", "chunk_id": "c_42"}
  ],
  "must_cite": true,
  "access_scope": ["enterprise_docs"],
  "negative_cases": ["old_manual_x"]
}

评测集要覆盖：

  • 高频真实问题。
  • 长尾问法。
  • 精确实体和错误码。
  • 无答案问题。
  • 多跳问题。
  • 权限边界。
  • 提示注入文档。
  • 文档更新和过期版本。

6. 工程实现​

def evaluate_rag(dataset, rag_pipeline):
    rows = []
    for item in dataset:
        result = rag_pipeline.run(item["query"], user_scope=item["access_scope"])
        rows.append({
            "id": item["id"],
            "retrieval_hit": hit_gold(result.evidence, item["gold_evidence"]),
            "answer_correct": grade_answer(result.answer, item["expected_answer"]),
            "faithful": grade_faithfulness(result.answer, result.evidence),
            "citation_valid": verify_citations(result.answer, result.evidence),
            "latency_ms": result.latency_ms,
        })
    return aggregate(rows)

7. 生产实践​

  • 离线 eval 用固定 gold dataset，线上监控用真实 query 抽样。
  • 每次改 chunker、embedding、reranker、prompt 都跑回归。
  • 区分“检索没找到”和“生成没用上”。
  • 对 bad case 标注根因，再进入数据管道或 prompt 修复。
  • 对高风险领域加入人工评审和事实核查。
  • 建立版本化实验：索引版本、模型版本、prompt 版本、评测版本。

8. 常见反模式​

  • 只用 LLM judge 打总分，不看检索指标。
  • 没有 gold evidence，无法评估召回。
  • 评测集只包含能回答的问题。
  • 忽略无权限文档和提示注入文档。
  • 每次调参只看几个 demo。
  • 只评估平均值，不看 p95 延迟和成本。

9. 安全评测​

安全评测至少包括：

  • 文档中包含“忽略系统指令”的 prompt injection。
  • 检索到无权限文档但不应输出。
  • 用户请求导出知识库原文。
  • 恶意 query 诱导扩大检索权限。
  • 引用伪造和不支持 claim。
  • 已删除文档仍被召回。

工程化补强：架构与实现细节​

A. 与 Memory 的硬边界​

RAG 评测处理的核心对象是检索、上下文、生成、引用、安全、延迟和成本的分层验收。它的目标是把外部知识转化为可验证证据，而不是保存用户偏好或 Agent 经验。 Memory 可以影响“怎么服务这个用户、这个项目、这个流程”；RAG 只能回答“证据中是否支持这个事实”。

维度RAGMemory
数据来源外部文档、网页、代码、数据库、知识库对话、任务轨迹、用户偏好、历史经验
写入方式ingestion pipeline、同步任务、管理员上传互动后抽取、用户确认、后台总结
核心约束证据可追溯、权限过滤、引用准确状态延续、偏好复用、隐私最小化
典型失败召回错证据、引用不支持、上下文污染错误记忆持久化、越权画像、投毒
评测指标recall@k、nDCG、faithfulness、answer correctness、citation precision、attack success ratememory precision、task lift、staleness

B. 端到端 Pipeline​

本主题在总链路中的重点可以概括为：dataset -> run retrieval -> judge evidence -> generate -> judge answer -> slice -> regress。

C. 索引数据结构​

{
  "chunk_id": "doc_2026_05_09#sec_04#chunk_003",
  "document_id": "doc_2026_05_09",
  "document_version": "v7",
  "source_uri": "s3://kb/product/manual.pdf",
  "source_type": "pdf|html|code|ticket|database",
  "title": "支付失败排查手册",
  "section_path": ["支付", "错误码", "超时"],
  "text": "...可用于回答的原文片段...",
  "span": {"page": 12, "start_char": 1840, "end_char": 2610},
  "metadata": {
    "tenant_id": "org_1",
    "acl": ["support", "engineering"],
    "created_at": "2026-05-01",
    "updated_at": "2026-05-09",
    "source_trust": "official_internal"
  },
  "retrieval": {
    "dense_vector_id": "vec_abc",
    "sparse_vector_id": "sparse_abc",
    "graph_node_ids": ["entity:timeout", "claim:retry-policy"]
  },
  "dataset_version": "rag-eval-2026-05",
    "gold_spans": ["doc12#p4:30-90"],
  "lineage": {
    "parser_version": "parser-2.1",
    "chunker_version": "heading-aware-1.4",
    "embedding_version": "emb-2026-05-09",
    "checksum": "sha256:..."
  }
}

没有 document_version、span、acl 和 lineage 的 RAG 索引，很难做引用、回滚、权限审计和 bad case 修复。

D. Indexing Pipeline 设计要点​

阶段关键决策常见坑
连接器增量同步、删除同步、权限同步只追加不删除，导致旧知识继续被召回
解析PDF 表格、代码块、标题层级、脚注丢页码和结构，引用无法定位
切分chunk 大小、overlap、父子块、表格整体性切断条款、代码函数或表格行
元数据tenant、ACL、时间、版本、来源可信度检索后才做权限过滤，已经泄露给模型
向量化embedding 模型、维度、批量、缓存模型切换后混用旧向量
索引vector、BM25/sparse、graph、rerank cache不记录索引版本，无法回归评测
回收删除、过期、重建、压缩向量残留和缓存残留

本文件建议的索引原则是：评测集要绑定 corpus_version、gold_doc_ids、gold_spans 和权限场景。

E. 查询期策略​

按 query 类型切片：事实、综合、多跳、不可回答、权限受限、注入攻击。查询期不要把“召回更多”当成唯一目标，而要控制证据质量、权限、时效和上下文预算。

def rag_query(user_query, user_ctx):
    plan = plan_retrieval(user_query, user_ctx)
    filters = enforce_acl(user_ctx, plan.filters)
    rewritten = rewrite_query(user_query, plan, metadata_schema=INDEX_SCHEMA)
    candidates = []
    for source in plan.sources:
        candidates.extend(source.search(rewritten, filters=filters, k=plan.candidate_k))
    ranked = rerank(user_query, candidates, features=["text", "metadata", "trust", "freshness"])
    evidence = pack_context(ranked, budget=plan.context_budget, diversity=True)
    answer = generate_with_evidence(user_query, evidence)
    return verify_citations(answer, evidence)

F. 引用与证据策略​

评测引用是否真的支持 claim，而不是只检查链接格式。引用不是格式问题，而是 evidence contract：模型只能用传入证据支持关键断言。

断言类型证据要求不满足时动作
简单事实至少一个直接 chunk 支持给出不确定或拒答
跨文档综合多个 chunk 覆盖关键维度明确证据范围和缺口
高风险建议官方/内部可信来源优先要求人审或给出保守答案
时间敏感信息来源版本和更新时间足够新触发刷新或说明可能过期
权限受限内容用户有权查看原文不引用、不泄露摘要

G. 失败模式与修复​

失败模式早期信号修复动作
只看最终答案正确率，无法定位是索引、改写、召回、重排还是生成失败答案流畅但找不到支持片段加 citation verifier 和无证据拒答
chunk 边界错误命中片段缺上文或表格列调整切分器、加入 parent expansion
召回偏科概念问答好，错误码/ID 查询差增加 hybrid search 和字段 boost
top-k 污染上下文里半数以上无关rerank、diversity filter、query rewrite
权限绕过无权限文档出现在 trace服务端 ACL 前置过滤，索引按租户隔离
索引陈旧用户指出文档已更新增量同步、版本水位、freshness 监控
引用漂移引用存在但不支持断言claim-level citation check 和回源校验

H. 评测指标​

层级指标说明
检索recall@k、precision@k、nDCG、MRRgold span/doc 是否进入候选和前排
重排rerank lift、first relevant rank观察 reranker 是否真正改善上下文
上下文evidence coverage、token waste、duplication rate是否既覆盖证据又不浪费窗口
生成answer correctness、faithfulness、abstention accuracy答案是否正确且不编造
引用citation precision、claim support rate、broken link rate引用是否可打开且支持断言
安全prompt injection success、unauthorized recall、sensitive leakage外部内容和权限场景的红线
运维p95 latency、index freshness、cost/query、cache hit rate生产可用性和成本

I. 安全治理清单​

  • 检索内容是数据，不是指令；提示词中明确外部证据不能覆盖系统和开发者约束。
  • 权限过滤必须在检索前或索引层完成，不能依赖模型“不要使用”。
  • 对网页、用户上传文件和第三方文档做 prompt injection 扫描和来源可信度标记。
  • 高风险领域使用白名单来源、版本锁定、引用校验和无法支持时拒答。
  • 记录 query、filters、命中文档、分数、rerank 理由、上下文包和最终引用，支持审计。
  • 建立 bad case 回流：每个失败样本标注失败层级，并绑定索引版本、prompt 版本和模型版本。

10. 权威资料​