（1）RAG的基本原理

RAG 检索增强生成由2部分构成：一是离线对异构的数据进行数据工程处理成知识，并存储在知识库中，二是基于用户的提问进行知识库的检索增强。详细步骤如下：

• 加载文件
• 读取文本
• 文本分割
• 文本向量化
• 问句向量化
• 在文本向量中匹配出与问句向量最相似的top k个
• 匹配出的文本作为上下文和问题一起添加到 prompt中
• 提交给LLM生成回答

原理如下图所示：

RAG Prompt模版

已知信息：{context}
根据上述已知信息，简洁和专业的来回答用户的问题。如果无法从中得到答案，请说 “根据已知信息无法回答该 问
题” 或 “没有提供足够的相关信息”，不允许在答案中添加编造成分，答案请使用中文。
问题是：{question}

（2）RAG有哪些评估方法？

主要有两种方法来评估 RAG 的有效性：独立评估和端到端评估。

（一）独立评估

介绍： 独立评估涉及对检索模块和生成模块（即阅读和合成信息）的评估。

（1）检索模块：

介绍： 评估 RAG 检索模块的性能通常使用一系列指标，这些指标用于衡量系统（如搜 索引擎、推荐系统或信 息检索系统）在根据查询或任务排名项目的有效性。

评估指标： 命中率 (Hit Rate)、平均排名倒数 (MRR)、归一化折扣累积增益 (NDCG) 、**精确度 (Precision) **等。

（2）生成模块：

介绍： 生成模块指的是将检索到的文档与查询相结合，形成增强或合成的输入。这与最 终答案或响应的生成不

同，后者通常采用端到端的评估方式。

评估指标： 关注上下文相关性，即检索到的文档与查询问题的关联度。

（二）端到端评估

介绍： 对 RAG 模型对特定输入生成的最终响应进行评估，涉及模型生成的答案与输入 查询的相关性和一致性。

无标签的内容评估：

评价指标：答案的准确性、相关性和无害性

有标签的内容评估：

评价指标：准确率 (Accuracy) 和精确匹配 (EM)

（3）RAG有哪些评估框架？

在 RAG 评估框架领域，RAGAS 和 ARES 是较新的方法。

1.RAGAS

RAGAS 是一个基于简单手写提示的评估框架，通过这些提示全自动地衡量答案的准确性、 相关性和上下文相关 性。

算法原理：

• 答案忠实度评估： 利用大语言模型 (LLM) 分解答案为多个陈述，检验每个陈述与上下文 的一致性。最终，根 据支持的陈述数量与总陈述数量的比例，计算出一个“忠实度得分”。
• 答案相关性评估： 使用大语言模型 (LLM) 创造可能的问题，并分析这些问题与原始问题 的相似度。答案相关性得分是通过计算所有生成问题与原始问题相 似度的平均值来得出的。
• 上下文相关性评估： 运用大语言模型 (LLM) 筛选出直接与问题相关的句子，以这些 句子 占上下文总句子数量的比例来确定上下文相关性得分。

2.ARES

ARES 的目标是自动化评价 RAG 系统在上下文相关性、答案忠实度和答案相关性三个方 面的性能。ARES 减少了评估成本，通过使用少量的手动标注数据和合成数据，并应用预测 驱动推理 (PDR) 提供统计置信区间，提 高了评估的准确性。

算法原理：

• 生成合成数据集： ARES 首先使用语言模型从目标语料库中的文档生成合成问题和答案，创 建正负两种样本。
• 训练大语言模型 (LLM) 裁判： 然后，ARES 对轻量级语言模型进行微调，利用合成数据集 训练它们以评估上下 文相关性、答案忠实度和答案相关性。
• 基于置信区间对RAG 系统排名： 最后，ARES 使用这些裁判模型为 RAG 系统打分，并结 合手动标注的验证集 ，采用 PPI 方法生成置信区间，从而可靠地评估 RAG 系统的性能。

（4）RAG各模块有哪些优化策略？

• 文档块切分： 设置适当的块间重叠、多粒度文档块切分、基于语义的文档切分、文档块摘要。
• 文本嵌入模型： 基于新语料微调嵌入模型、动态表征。
• 提示工程优化： 优化模板增加提示词约束、提示词改写。
• 大模型迭代： 基于正反馈微调模型、量化感知训练、提供大context window 的推理模型。此外，还可对query召回的文档块集合进行处理，如：元数据过滤、重排序减少文档块数量。