RAGAS 评测清单：4 个指标测 RAG 家底，防

评测 RAG 系统，最怕把检索和生成的锅混着算。召回率只有 40%，你花两周死磕提示词，最后发现调了个寂寞。

先看回答里有没有知识库外的信息，多半是生成层幻觉；再看是不是漏了明明有的内容，多半是检索层没捞出来。定位到层，指标才有意义。

检索层就看三件事：前 K 个候选里捞没捞到正确答案、第一个排第几、整体排序好不好。生成层重点盯忠实性，答案里的每句话都得能在材料里找到依据，这是防幻觉的命门。

实操就五步：攒 30 到 50 条真实问题当测试集，跑出检索和生成的基线分数。分数低就去查分块、向量库或者提示词，改完必须重跑同一批题做回归对比。

拿客服知识库举例，原来上下文召回率才 0.62，命中率 0.68。后来把分块改成 512 token 加 15% 重叠，命中率直接拉到了 0.75 以上。

大模型当裁判虽然方便，但容易有自恋偏差，关键结论最好人工复核 20 到 30 条。