RAG 分层评估

为什么重要

只看最终答案无法判断是没召回、排序错还是模型没使用证据。

核心原理

检索层测 recall@k、MRR 等，生成层测正确性、忠实度和引用质量，并保留人工抽检。

工程实现

• 建立带证据的问题集
• 记录每层中间结果
• 按文档类型分桶

最小示例

常见误区

• 只让模型给总分
• 没有失败分类

面试怎么说

RAG Eval 应拆成召回、排序、生成和引用四层指标。