LangChain / RAG / Vector DBs · บทเรียน

การประเมินประสิทธิภาพระบบ RAG

เรียนรู้เมตริกและเทคนิคสำหรับประเมินความถูกต้อง ความเกี่ยวข้อง และความสอดคล้องของคำตอบจากแอปพลิเคชัน RAG

การประเมินประสิทธิภาพระบบ RAG เป็นบทเรียน LangChain / RAG / Vector DBs ฟรีบน CoddyKit นี่คือบทเรียนที่ 3 จากทั้งหมด 4 บทเรียน คุณสามารถอ่านบทเรียนทั้งหมดด้านล่างฟรี — จากนั้นลองปฏิบัติด้วยตัวคุณเองในเบราว์เซอร์พร้อมตัวแก้ไขโค้ดในตัวและติวเตอร์ AI ตลอด 24/7 บทเรียนนี้เป็นส่วนหนึ่งของเส้นทางการเรียน LangChain / RAG / Vector DBs และความก้าวหน้าของคุณจะซิงค์ข้ามเว็บและแอป CoddyKit คอร์ส LangChain / RAG / Vector DBs มีบทเรียนทั้งหมด 4 บทเรียน

บางส่วนของบทเรียนนี้ยังไม่ได้รับการแปล และแสดงเป็นภาษาอังกฤษ

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?

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.

คำถามที่พบบ่อย

บทเรียน “การประเมินประสิทธิภาพระบบ RAG” ฟรีหรือไม่

ใช่ — ข้อความเต็มของ “การประเมินประสิทธิภาพระบบ RAG” ฟรีให้อ่านที่นี่บนเว็บ เพื่อปฏิบัติแบบโต้ตอบ (ตัวแก้ไขโค้ดในตัวและติวเตอร์ AI ตลอด 24/7) และปลดล็อคส่วนที่เหลือของคอร์ส LangChain / RAG / Vector DBs ให้อัปเกรดเป็น CoddyKit PRO คอร์ส LangChain / RAG / Vector DBs มีบทเรียนทั้งหมด 4 บทเรียน

คุณจะเรียนรู้อะไรในบทเรียน “การประเมินประสิทธิภาพระบบ RAG”

เรียนรู้เมตริกและเทคนิคสำหรับประเมินความถูกต้อง ความเกี่ยวข้อง และความสอดคล้องของคำตอบจากแอปพลิเคชัน RAG คุณปฏิบัติ LangChain / RAG / Vector DBs ด้วยโค้ดที่ใช้งานได้จริงที่คุณเรียกใช้โดยตรงในเบราว์เซอร์ และติวเตอร์ AI ตลอด 24/7 ตอบคำถามของคุณขณะที่คุณไปผ่านบทเรียน

คุณต้องมีประสบการณ์ก่อนที่จะเริ่มเรียน LangChain / RAG / Vector DBs หรือไม่

ไม่จำเป็นต้องมีประสบการณ์มาก่อน LangChain / RAG / Vector DBs บน CoddyKit ออกแบบมาสำหรับผู้เริ่มต้นไปจนถึงผู้เรียนขั้นสูง คุณสามารถเริ่มต้นที่นี่หรือเริ่มจากตัวแรกและเรียนด้วยความเร็วของคุณเอง นี่คือบทเรียนที่ 3 จากทั้งหมด 4 บทเรียน

บทเรียน “การประเมินประสิทธิภาพระบบ RAG” ใช้เวลานานแค่ไหน

บทเรียน CoddyKit ส่วนใหญ่ใช้เวลาประมาณ 5–10 นาที แต่ละบทเรียนจึงสั้นและเป็นแบบโต้ตอบ คุณสามารถก้าวหน้าอย่างต่อเนื่องและกลับมาเรียนต่อจากตรงที่เพิ่งหยุดบนเว็บและแอปได้เลย

ฉันเขียนและรันโค้ดในบทเรียน LangChain / RAG / Vector DBs นี้ได้ไหม

ได้ บทเรียน LangChain / RAG / Vector DBs ทุกบทมีตัวแก้ไขโค้ดในตัว คุณจึงเขียนและรันโค้ดจริงได้เลยในเบราว์เซอร์ และได้รับข้อเสนอแนะจาก AI ในทันที — ไม่ต้องติดตั้งในเครื่องของคุณ

บทเรียนทั้งหมดในหลักสูตรนี้

← กลับไปที่ LangChain / RAG / Vector DBs