到上一篇为止，你的 RAG（检索增强生成）系统已经跑通了。你随机问了几个问题，发现它答得还不错，于是准备满心欢喜地向老板汇报上线。
等一下！
在工程化领域，有一种错觉叫"我感觉它挺好用的"。
如果明天你换了一个更便宜的 Embedding 向量模型，或者调整了 Chunk 的切分大小，你怎么知道系统是变聪明了，还是变笨了？难道再人工去测 100 个问题吗？
企业级应用决不允许"凭感觉"上线。我们必须引入一套自动化的**评测（Evaluation）**机制。本篇作为卷 4（知识与数据）的收官之作，我们将教你如何用科学的指标给 RAG 系统打分。
1. 核心比喻：如何给一场"开卷考试"打分？
我们在第 30 篇说过，RAG 本质上是一场"开卷考试"。
评价一个学生开卷考试考得好不好，不能只看他最后写的答案对不对，而是要分两步看：
- 检索阶段（翻书）：他有没有翻到正确的那一页？（如果书翻错了，哪怕答案写得再漂亮，也是零分）。
- 生成阶段（抄答案）：他有没有把书上的内容抄全？有没有自己瞎编？
基于此，业界总结出了 RAG 评测的 "黄金三大指标"。
2. 黄金三大指标解析
指标一：命中率（Hit Rate / Context Precision）
- 测什么：系统能不能把正确的资料（Chunk）捞出来？
- 通俗解释：用户问"年假几天"，系统捞出来的 5 个片段里，只要有 1 个片段包含了"年假"的具体规定，就算"命中"了。
- 重要性：⭐⭐⭐⭐⭐。这是 RAG 的地基。如果命中率低，说明你的文本切分、向量库、重排算法做得很烂，后续的大模型再强大也救不回来。
指标二：引用正确性 / 忠实度（Faithfulness）
- 测什么：大模型最后生成的回答，是不是 100% 来源于检索到的资料？
- 通俗解释 ：如果检索到的资料里写着"年假 5 天"，大模型却回答"年假 5 天，病假 3 天"（病假是它用自带知识瞎编的），这就叫不忠实。
- 重要性：⭐⭐⭐⭐⭐。这是企业安全的底线！忠实度一旦下降，意味着幻觉飙升，用户会被错误信息误导。
指标三：覆盖率 / 答案相关性（Answer Relevance）
- 测什么：回答有没有完全解决用户的问题？
- 通俗解释 ：用户问："张三和李四的绩效分别是多少？"如果资料里都有，但大模型只回答了"张三的绩效是 A"，漏掉了李四，这叫覆盖率不足 ；如果大模型不仅回答了绩效，还顺便背诵了一段公司的发展历史，这叫废话太多，相关性低。
- 重要性：⭐⭐⭐⭐。它衡量的是用户体验（UX）。
3. 如何做自动化评测与"回归测试"？
你不可能每天雇 10 个人去测这三个指标。工业界的做法是：用大模型来当裁判（LLM-as-a-Judge）。
第一步：建立"金标集（Golden Dataset）"
你需要人工整理 50-100 个极其典型的问答对，作为考试的"标准答案"。
格式如下：
- 问题：出差一天的餐补是多少？
- 标准答案：一线城市 200 元，二线城市 150 元。
- 出处依据：《2024财务报销制度》第 3 章。
第二步：自动化打分
每次修改了系统代码（比如换了模型、改了 Prompt），就用脚本跑一遍这 50 个问题。
- 让"裁判大模型（通常用最聪明的 GPT-4 或 Claude 3.5 Opus）"对比系统生成的答案和"标准答案"。
- 裁判会严格按照上面讲的三个指标，分别打出 0-1 的分数。
第三步：回归测试（Regression Testing）
如果昨天系统的命中率是 85%，今天你改了一行代码，命中率掉到了 70%，说明这次改动引发了退化（Regression） ，绝对不能上线！必须回滚代码。
这就把玄学变成了科学。
4. 本篇产出：RAG 评测表与通过门槛
为了让你的项目有章可循，这里提供一份标准的 RAG 评测指标基线。在内部测试时，请对照这张表：
| 评测维度 | 关注阶段 | 达标门槛 (满分 1.0) | 优秀标准 | 如果不达标，该怎么优化？ |
|---|---|---|---|---|
| 命中率 (Hit Rate) | 检索阶段 | > 0.85 | > 0.95 | 1. 增加多路召回（关键词+向量）； 2. 优化 Chunk 的切分策略； 3. 增加重排（Reranker）模型。 |
| 引用正确性 (Faithfulness) | 生成阶段 | > 0.95 | 1.0 (零容忍) | 1. 在 Prompt 里严厉警告"证据优先"； 2. 要求大模型强制输出引用来源； 3. 降低生成时的温度（Temperature=0）。 |
| 答案覆盖率 (Relevance) | 生成阶段 | > 0.80 | > 0.90 | 1. 在 Prompt 里要求"分点作答"； 2. 增加检索召回的数量（Top-K），确保资料给够。 |
提示 ：目前业界主流的自动化评测框架有 RAGAS 和 TruLens，如果你的团队有研发能力，可以直接接入这两个开源库，它们内置了上述所有的裁判逻辑。
5. 卷 4 结语与复盘
恭喜你！走完这 7 篇文章，你已经掌握了 卷 4：知识与数据 的全部核心。
回顾一下我们搭建的这套外脑系统：
- 决策：我们知道什么时候该用 RAG，什么时候该用微调。
- 清洗：我们把各种脏数据洗成了干净的纯文本。
- 切分：我们把长文本切碎，并打上了关键的元数据标签。
- 检索：我们用多路召回和重排模型，精准捞出参考资料。
- 生成与计算：我们用证据链压制幻觉，甚至用结构化 Schema 处理报表。
- 评测：我们用科学的指标为系统打分，告别了玄学。
下一步去哪儿？
现在，我们的 AI 已经是一个"精通公司业务知识的百事通"了。
但它依然很被动------它只能等你提问，然后给你答案。如果你想对它说："帮我去查一下张三的报销单，如果没问题，自动去财务系统里帮他点通过"，它就无能为力了。
怎么让 AI 从"只会回答问题的百科全书"，变成"能自己规划、自己行动、甚至自己纠错的智能体"？
接下来的 卷 5：Agent 系统，我们将带你跨入 AI 编程最激动人心的领域：规划、执行与自动化！