Ключевые метрики производительности RAG
Разберитесь в таких важных метриках, как точность, полнота, релевантность контекста и достоверность, и применяйте их для оценки результатов RAG.
«Ключевые метрики производительности RAG» — бесплатный урок LLM Apps in Production (RAG + Vector DB + Caching) на CoddyKit. Это урок 1 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 LLM Apps in Production (RAG + Vector DB + Caching), и твой прогресс синхронизируется между веб-версией и приложением CoddyKit. Курс LLM Apps in Production (RAG + Vector DB + Caching) содержит 4 уроков всего.
Части этого урока еще не переведены и отображаются на английском.
Why Evaluate RAG Performance?
When building Retrieval Augmented Generation (RAG) systems, it's not enough to just deploy them. We need to know if they're actually working well!
Evaluating RAG is more complex than evaluating a standalone Large Language Model (LLM) because it involves two main stages: retrieval and generation.
RAG's Unique Evaluation Needs
Traditional LLM evaluation metrics often focus on the quality of generated text, like fluency or coherence. But RAG systems have specific goals:
- To provide answers grounded in facts.
- To avoid 'hallucinations' (making up information).
- To use only relevant information from your data.
This requires a special set of metrics.
Context Relevance Explained
The first key metric is Context Relevance.
- It measures how pertinent the retrieved documents or 'context' are to the user's original question.
- If the retriever fetches irrelevant information, the LLM won't have good material to work with, leading to poor answers.
High context relevance means your retriever is doing its job well!
Context Relevance: An Example
Let's say a user asks: "What are the benefits of eating apples?"
Good Context: "Apples are rich in fiber, vitamin C, and antioxidants..." (High relevance)
Poor Context: "Oranges are citrus fruits. Apples can be green or red..." (Low relevance for 'benefits')
The quality of the retrieved context directly impacts the LLM's ability to answer correctly.
Faithfulness: Sticking to the Facts
Next, we have Faithfulness (also called 'groundedness').
- This metric checks if the LLM's generated answer is entirely supported by the retrieved context.
- It's crucial for preventing 'hallucinations' – where the LLM invents facts not present in the source material.
A faithful RAG system will only provide information it can verify from its sources.
Faithfulness: An Example
User Question: "What is the capital of France?"
Retrieved Context: "Paris is the capital of France, known for the Eiffel Tower."
Faithful Answer: "The capital of France is Paris." (Supported by context)
Unfaithful Answer: "The capital of France is Lyon, a beautiful city." (Not supported by context)
Answer Relevance: Did it Answer?
Answer Relevance evaluates whether the LLM's generated response directly addresses the user's original question.
- Even if the answer is faithful and based on relevant context, it might still be too verbose, tangential, or miss the point of the question.
- This metric ensures the final output is useful and to-the-point for the user.
Answer Relevance: An Example
User Question: "When was the internet invented?"
Retrieved Context: "The internet's origins trace back to the 1960s with ARPANET..."
Relevant Answer: "The internet's origins trace back to the 1960s with ARPANET."
Irrelevant Answer: "The internet is a global network of computers. It has revolutionized communication." (Doesn't answer 'when')
Precision & Recall for Retrieval
While the previous metrics evaluate the RAG system holistically, classic Information Retrieval (IR) metrics like Precision and Recall are vital for the retrieval component.
- Precision: What percentage of the retrieved documents are actually relevant? (Minimize irrelevant documents)
- Recall: What percentage of all truly relevant documents were actually retrieved? (Minimize missed relevant documents)
Balancing these two is key for feeding the LLM the best possible context.
Test Your Knowledge!
A RAG system retrieves documents, then generates an answer. Consider the following scenario:
User Question: "What is the typical lifespan of a domestic cat?"
Retrieved Context: "Domestic cats usually live for 12 to 18 years. Some can live longer."
LLM Answer: "Cats are furry animals that enjoy sleeping and playing. Their lifespan varies."
Recap: Essential RAG Metrics
Congratulations! You've learned about the critical metrics for evaluating RAG systems:
- Context Relevance: How good is the retrieved information?
- Faithfulness: Is the answer true to the retrieved context?
- Answer Relevance: Does the answer address the user's question?
- Precision & Recall: How effective is the retrieval component?
Mastering these helps you build more accurate, reliable, and useful RAG applications.
Часто задаваемые вопросы
Урок «Ключевые метрики производительности RAG» бесплатный?
Да — полный текст урока «Ключевые метрики производительности RAG» бесплатно доступен здесь в веб-версии. Чтобы практиковать его интерактивно (встроенный редактор кода и ИИ-репетитор 24/7) и разблокировать остальной курс LLM Apps in Production (RAG + Vector DB + Caching), подпишись на CoddyKit PRO. Курс LLM Apps in Production (RAG + Vector DB + Caching) содержит 4 уроков всего.
Чему я научусь в уроке «Ключевые метрики производительности RAG»?
Разберитесь в таких важных метриках, как точность, полнота, релевантность контекста и достоверность, и применяйте их для оценки результатов RAG. Ты практикуешь LLM Apps in Production (RAG + Vector DB + Caching) 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 LLM Apps in Production (RAG + Vector DB + Caching)?
Предыдущий опыт не требуется. LLM Apps in Production (RAG + Vector DB + Caching) 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 1 из 4.
Сколько времени занимает урок «Ключевые метрики производительности 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 LLM Apps in Production (RAG + Vector DB + Caching)?
Да. Каждый урок LLM Apps in Production (RAG + Vector DB + Caching) 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
- Ключевые метрики производительности RAG
- Разработка эталонов оценки
- A/B-тестирование и циклы обратной связи с пользователями
- Выявление и измерение галлюцинаций