LangChain / RAG / Vector DBs · Урок

Оценка производительности системы RAG

Изучите метрики и методы оценки точности, релевантности и связности ответов приложения RAG.

Урок 3 из 411 шагов

«Оценка производительности системы RAG» — бесплатный урок LangChain / RAG / Vector DBs на CoddyKit. Это урок 3 из 4. Ты можешь прочитать весь урок бесплатно ниже — а потом практиковать его прямо в браузере с встроенным редактором кода и ИИ-репетитором 24/7. Это часть пути обучения LangChain / RAG / Vector DBs, и твой прогресс синхронизируется между веб-версией и приложением CoddyKit. Курс LangChain / RAG / Vector DBs содержит 4 уроков всего.

Части этого урока еще не переведены и отображаются на английском.

Why Evaluate RAG Systems?

When you build a Retrieval Augmented Generation (RAG) application, it's crucial to know if it's working as intended. Evaluation helps us understand if our system is providing accurate, relevant, and helpful answers.

Without proper evaluation, it's hard to tell if changes to your RAG pipeline (like new embedding models or chunking strategies) are actually making it better or worse.

Key Aspects of RAG Evaluation

Evaluating a RAG system involves looking at different aspects. We generally focus on:

Retrieval Quality: Are the right documents being found?
Generation Quality: Is the LLM producing good answers based on those documents?

These two parts are often evaluated separately and then together to get a full picture.

The Importance of Ground Truth

To evaluate effectively, especially for automated metrics, you need a 'ground truth' dataset. This means having:

A set of user queries.
The truly relevant documents for each query.
The ideal, correct answer for each query.

This reference data allows us to compare our RAG system's outputs against what's considered correct.

Retrieval Metrics: Precision & Recall

For the retrieval component, we often use metrics like Precision and Recall.

Precision: Out of all the documents retrieved, how many were actually relevant? High precision means fewer irrelevant documents.
Recall: Out of all the truly relevant documents, how many did our system manage to retrieve? High recall means fewer missed relevant documents.

These help us gauge how good our document search is.

Code: Calculating Retrieval Metrics

This Python snippet demonstrates how to calculate precision and recall for a mock retrieval scenario. relevant_docs are the 'ground truth' and retrieved_docs are what our system found.

def evaluate_retrieval(relevant_docs, retrieved_docs):
    true_positives = len(relevant_docs.intersection(retrieved_docs))

    precision = true_positives / len(retrieved_docs) if len(retrieved_docs) > 0 else 0
    recall = true_positives / len(relevant_docs) if len(relevant_docs) > 0 else 0

    print(f"Precision: {precision:.2f}")
    print(f"Recall: {recall:.2f}")

if __name__ == "__main__":
    # Example 1: Perfect retrieval
    relevant_set_1 = {"docA", "docB", "docC"}
    retrieved_set_1 = {"docA", "docB", "docC"}
    print("--- Example 1: Perfect Retrieval ---")
    evaluate_retrieval(relevant_set_1, retrieved_set_1)

    # Example 2: Some missing, some irrelevant
    relevant_set_2 = {"docX", "docY", "docZ"}
    retrieved_set_2 = {"docX", "docA", "docY"}
    print("\n--- Example 2: Mixed Retrieval ---")
    evaluate_retrieval(relevant_set_2, retrieved_set_2)

Generation Metrics: Faithfulness

For the generated answer, faithfulness (also called 'factuality') is key. It measures whether the LLM's answer is truly supported by the retrieved documents.

A RAG system should not 'hallucinate' or make up information. If a fact isn't in the retrieved context, the LLM shouldn't include it in its answer.

Generation Metrics: Answer Relevance

Answer relevance assesses if the generated answer directly addresses the user's original query. An answer might be faithful to the retrieved documents but still not relevant if the documents themselves were off-topic.

This metric helps ensure the RAG system stays focused on the user's actual information need.

Human vs. Automated Evaluation

While automated metrics are efficient, human evaluation is often essential for subjective qualities like fluency, tone, and nuanced relevance.

Automated: Fast, scalable, good for objective metrics (precision, recall, some faithfulness checks).
Human: Gold standard for subjective quality, crucial for complex queries, but expensive and slow.

A hybrid approach, using both, is often best for comprehensive RAG evaluation.

Tools for RAG Evaluation

Several libraries and frameworks help streamline RAG evaluation:

LangChain: Provides built-in evaluation modules, including reference-free metrics and integrations with LLM-as-a-judge.
Ragas: Specifically designed for RAG evaluation, offering metrics like faithfulness, answer relevance, context precision, and context recall.
TruLens: Offers observability and evaluation for LLM applications, including RAG, with deep insights into chain execution.

These tools automate much of the metric calculation and reporting.

Quick Check: RAG Metrics

Which of the following are key metrics used to evaluate the quality of the generated answer in a RAG system?

Ответь в интерактивном уроке

Recap: Evaluating RAG Performance

We've learned that evaluating RAG systems is vital for ensuring they deliver accurate and relevant information. Key takeaways include:

Evaluation covers both retrieval (finding relevant docs) and generation (creating good answers).
Ground truth data is essential for reliable evaluation.
Metrics like Precision and Recall measure retrieval quality.
Faithfulness and Answer Relevance assess the quality of the generated response.
A combination of automated and human evaluation provides the most comprehensive insights.
Tools like LangChain, Ragas, and TruLens can assist in setting up robust evaluation pipelines.

Можно начать бесплатно

Изучай LangChain / RAG / Vector DBs с ИИ-репетитором — бесплатно

Пиши и запускай код прямо в браузере, получай мгновенную помощь от ИИ-репетитора 24/7 и продолжи учиться на сайте или в приложении.

Курсы: 12
Уроки: 48

Начать учиться бесплатно Посмотреть полный курс

Часто задаваемые вопросы

Урок «Оценка производительности системы RAG» бесплатный?

Да — полный текст урока «Оценка производительности системы RAG» бесплатно доступен здесь в веб-версии. Чтобы практиковать его интерактивно (встроенный редактор кода и ИИ-репетитор 24/7) и разблокировать остальной курс LangChain / RAG / Vector DBs, подпишись на CoddyKit PRO. Курс LangChain / RAG / Vector DBs содержит 4 уроков всего.

Чему я научусь в уроке «Оценка производительности системы RAG»?

Изучите метрики и методы оценки точности, релевантности и связности ответов приложения RAG. Ты практикуешь LangChain / RAG / Vector DBs с помощью реального кода, который запускаешь прямо в браузере, и ИИ-репетитор 24/7 отвечает на твои вопросы во время урока.

Нужен ли мне опыт, чтобы начать LangChain / RAG / Vector DBs?

Предыдущий опыт не требуется. LangChain / RAG / Vector DBs на CoddyKit структурирован для всех уровней — от новичков до продвинутых, поэтому ты можешь начать отсюда или с самого начала и учиться в своем темпе. Это урок 3 из 4.

Сколько времени занимает урок «Оценка производительности системы RAG»?

Большинство уроков CoddyKit занимают около 5–10 минут. Каждый из них компактный и интерактивный, поэтому ты постоянно делаешь прогресс и продолжаешь с того же места в веб-версии и приложении.

Можно ли писать и запускать код в этом уроке LangChain / RAG / Vector DBs?

Да. Каждый урок LangChain / RAG / Vector DBs включает встроенный редактор кода, поэтому ты пишешь и запускаешь реальный код прямо в браузере и получаешь моментальную обратную связь от AI — локальная установка не требуется.

Все уроки этого курса

Интеграция всех компонентов RAG
Обработка запросов и генерация ответов
Оценка производительности системы RAG
Создание эталонного набора тестов для RAG

← Назад к LangChain / RAG / Vector DBs