一、写在前面

如果你构建了RAG想应用于实际业务系统，那么你一定会非常关注「RAG应用的效果如何？」「如何测评？」，本文会为你提供一套完整方案。

通用RAG应用搭建过程中会涉及到很多问题点，例如向量数据库选择、Embedding模型选择、chunk参数配置（chunk大小、chunk重合比例等）、相关性阈值、Top-K等等。

本文主要侧重RAG测评方案，以及如何在开源工具RAGAS基础上使用自定义的LLM进行测评。

1、RAG评估方案

RAG整个环节主要涉及到三部分内容：输入query、检索到的上下文context、LLM的回答Response，这也是 RAG 整个过程中最重要的三元组，它们之间两两相互牵制。因此可以通过检测三元组之间两两元素的相关度，来评估RAG 应用的效果：

The RAG Triad

• Context Relevance: 衡量检索的质量的指标，主要衡量召回的 chunk 支持 Query 的程度。如果该得分低，反应出了召回了太多与Query 问题无关的内容，这些错误的召回知识会对 LLM 的最终回答造成一定影响。
• Groundedness: 衡量 LLM 的 Response 遵从召回的 Context 的程度的指标。如果该得分低，反应出了 LLM 的回答不遵从召回的知识，那么回答出现幻觉的可能就越大。
• Answer Relevance: 衡量最终的 Response 回答对 Query 提问的相关度指标。如果该得分低，反应出了可能答不对题。

1.1 如何构造评估数据集？

在构建完RAG应用后，我们一般只有分段后文本chunks，那么如何只基于chunks构造我们的评测数据集呢？答案是——利用大模型进行QA挖掘。

当然我们可以使用一些开源工具，也可以自己设计Prompt实现，这个过程并不困难，可以简单认为是一个「Prompt工程」过程。但无论是怎么做，其原理大致如下：

QAPair Mining

1.2 选择评测指标

常用评测指标如下：

Ragas评测指标

• 上下文相关性（Context Relevancy）

该指标衡量召回的Context 支持 Query 的程度。如果该得分低，反应出了召回了太多与Query 问题无关的内容，这些错误的召回知识会对 LLM 的最终回答造成一定影响。在RAGAS中，是从句子粒度统计相关性。计算公式如下：

Context Relevancy, S为检索到的Context中与query相关的句子

• 上下文召回率（Context Recall）

该指标衡量检索到的Context与标注answer答案一致的程度，被视为基本事实。它是基于基本事实和检索到的Context的，值的范围在0到1之间，值越高表示性能越好。计算公式如下：

Context Recall

• 上下文精确度（Context Precision）

该指标衡量检索到的Context中存在的所有基本事实相关chunks的排名是否更高的指标。理想情况下，所有相关chunk都必须出现在最高级别。该度量是使用query和context计算的，值在0到1之间，其中得分越高表示精度越高。计算公式如下：

Context Precision

• 忠实度（Faithfulness/Groundedness）

该指标衡量生成的answer与给定context的事实一致性。它是根据answer和检索到的context来计算的。答案按比例缩放到（0,1）范围，越高越好。计算公式如下：

Faithfulness

• 答案相关性（Answer Relevancy）

该指标衡量生成的answer与给定提示的相关性。不完整或包含冗余信息的答案得分较低。该度量是使用query和answer计算的，值在0到1之间，其中得分越高表示相关性越好。

2、使用RAGAS评估

2.1 数据封装

Ragas测评需要使用标准的Datasets数据格式，因此需要提前将自定义数据集进行封装

from datasets import Dataset

questions, answers, contexts, ground_truths = [], [], [], []
# 填充自己的数据内容
evalsets = {
              "question": questions,
              "answer": answers,
              "contexts": contexts,
              "ground_truths": ground_truths
            }
evalsets = Dataset.from_dict(evalsets)

2.2 指标选择与一键测评

选择需要的评测指标，并制定数据集进行测评，Ragas默认使用ChatGPT，需要提前配置openai-Key

import os
from ragas import evaluate

os.environ["OPENAI_API_KEY"] = "your-openai-key"
from ragas.metrics import (
    answer_relevancy,
    faithfulness,
    context_recall,
    context_precision,
)

result = evaluate(
    evalsets,
    metrics=[
        context_precision,
        faithfulness,
        answer_relevancy,
        context_recall,
    ],
)

df = result.to_pandas()
df.head()

3、RAGAS使用自定义LLM

Ragas默认使用ChatGPT，用过的都懂，由于各方面原因，使用受到了限制…。那么如何使用自己的LLM在Ragas框架下测评呢?

直接上代码～

# 以使用ERNIE-Bot为，使用qianfan-sdk先定义自己的模型
from langchain_community.chat_models import QianfanChatEndpoint
from ragas.llms import LangchainLLM
from langchain_community.embeddings import QianfanEmbeddingsEndpoint

chat = QianfanChatEndpoint(model=model, qianfan_ak=QIANFAN_AK, qianfan_sk=QIANFAN_SK, **model_kwargs)
v_llm = LangchainLLM(chat)

v_embeddings = QianfanEmbeddingsEndpoint(
               qianfan_ak=QIANFAN_AK,
               qianfan_sk=QIANFAN_SK,
           )

# 然后重新指定各评价指标使用的llm
from ragas import evaluate
from ragas.metrics import (
    answer_relevancy,
    faithfulness,
    context_recall,
    context_precision,
)

faithfulness.llm = vllm
answer_relevancy.llm = vllm
answer_relevancy.embeddings = v_embeddings

context_recall.llm = vllm
context_precision.llm = vllm

# 重新一键式测评
result = evaluate(
    evalsets,
    metrics=[
        context_precision,
        faithfulness,
        answer_relevancy,
        context_recall,
    ],
)

df = result.to_pandas()
df.head()

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】