评估过程与评估结果
作为解决大模型幻觉的利器，RAG的搭建简单，成本低，现在也有各种开源的RAG工具，像Langchain-chatchat、ragflow、qanything等，不用懂编程，直接就能上手部署。
不过这么多RAG工具，到底该怎么选？或者我们自己编写一个RAG，怎么知道好坏？
如何评估RAG的好坏是绝对绕不过的一个话题。
评估RAG除了能帮助我们选择更适合RAG工具，还能在优化RAG的时候让我们有据可依，通过评估可以知道应该如何优化和调整参数。
不过如何评估一个RAG可是个复杂的问题，大模型的结果不是固定的，就意味着这不是一道判断题或者数学题，每个问答都是作文题。
为了解决这个复杂的问题，一般评估可分为按组件评估（ 评估过程 ）和端到端评估（ 评估结果 ）：
按组件评估就是把RAG看做一个工厂流水线，通过评估流水线中各个组件的性能，然后把这些组件的结果汇总成一个总的得分。
比如可以通过 上下文相关性（问题和检索结果的关联程度） 和 上 下文召回率（是否找到了最相似的结果） 来评估检索阶段的成绩，通过 答案和问题的相关性、答案和检索内容的相关性和正确性 来评估生成阶段的结果是否及格。
组件评估一般是在测试阶段，可以便于通过设定标准答案和错误答案的数据集来详细验证RAG的结果。
端到端评估（ 结果评估 ）也至关重要，因为它直接影响用户体验。一般通过评估忠诚度（衡量了生成的答案在给定的上下文中的事实一致性）和答案正确性（避免错误的答案或者错误的格式）来评估流水线整体性能的度量标准。
评估框架
但是这些指标需要怎么应用在RAG程序里呢？别担心，有现成的。
Trulens
TruLens是一款旨在评估和改进 LLM 应用的软件工具，它相对独立，可以集成 LangChain 或 LlamaIndex 等 LLM 开发框架。它使用反馈功能来客观地衡量 LLM 应用的质量和效果。这包括分析相关性、适用性和有害性等方面。TruLens 提供程序化反馈，支持 LLM 应用的快速迭代，这比人工反馈更快速、更可扩展。
开源链接：https://github.com/truera/trulens
使用手册：https://www.trulens.org/trulens_eval/install/
使用的步骤：
（1）创建LLM应用
（2）将LLM应用与TruLens连接，记录日志并上传
（3）添加 feedback functions到日志中，并评估LLM应用的质量
（4）在TruLens的看板中可视化查看日志、评估结果等
（5）迭代和优化LLM应用，选择最优的版本
其对于RAG的评估主要有三个指标：
上下文相关性（context relevance）： 衡量用户提问与查询到的参考上下文之间的相关性
忠实性（groundedness ）：
衡量大模型生成的回复有多少是来自于参考上下文中的内容
答案相关性（answer relevance）：
衡量用户提问与大模型回复之间的相关性
TruLens的好处就是对RAG的评估不需要有提前收集的测试数据集和相应的答案。
RAGAS
RAGAS应该是最著名的RAG评估框架了，最初是作为一种无需参照标准的评估框架而设计的。这意味着，RAGAs 不需要依赖评估数据集中人工标注的标准答案，而是利用底层的大语言模型进行评估。
RAGAS包含四个指标，与Trulens的评估指标有些类似：
评估检索质量：
context_relevancy（上下文相关性，也叫 context_precision）
context_recall（召回性，越高表示检索出来的内容与正确答案越相关）
评估生成质量：
faithfulness（忠实性，越高表示答案的生成使用了越多的参考文档（检索出来的内容））
answer_relevancy（答案的相关性）
自动化评估
虽然有了评估的标准和工具，但是上面的方法只是告诉我们这些指标的结果。就像去医院体检一样，但是体检结果还是看不懂啊。但是RAG去哪找大夫解读呢？
最传统的方式还是进行人工评估，通过邀请行业专家或人工评估员对RAG生成的结果进行评估。他们可以根据预先定义的标准对生成的答案进行质量评估，如准确性、连贯性、相关性等。
这种评估方法可以提供高质量的反馈，但可能会消耗大量的时间和人力资源。只适合在测试评估阶段使用，在生产环境的监控中，可没办法一直依靠人工评估。自动化评估肯定是RAG评估的主流和发展方向，现在最常用的就是LangSmith和Langfuse了。
LangSmith
LangSmith是一个用于调试、测试和监控LLM应用程序的统一平台。会记录大模型发起的所有请求，除了输入输出，还能看到具体的所有细节，包括：
请求的大模型、模型名、模型参数
请求的时间、消耗的 token 数量
请求中的所有上下文消息，包括系统消息
Langfuse
Langfuse作为LangSmith的平替，可以帮助开发者和运维团队更好地理解和优化他们的LLM应用。通过提供实时的和可视化的跟踪功能，LangFuse使得识别和解决应用性能问题变得更加简单和高效。
主要是基于可观察性和分析技术来监控和优化 LLM 应用。它提供了一套完整的解决方案，通过收集、处理和分析 LLM 应用在运行过程中产生的各种数据，来生成实时的结果。
以上两个平台对RAG的评估，都可以自定义自己的评估函数。当然其也支持一些内置的评估函数。不仅可以开箱即用，还支持持续迭代和定制化，绝对 LLM 运维过程中必不可少的工具。
总结
随着人工智能技术的飞速发展，RAG工具的评估和优化已成为我们不可或缺的技能。TruLens、RAGAS、LangSmith和Langfuse等工具的出现，为我们提供了强大的支持，让我们能够更精准地评估和优化LLM应用，推动AI技术的进步。让我们携手并进，共同探索AI的无限可能！
在这个AI为王的时代，评估不再是选择题，而是必答题。掌握它，你就掌握了开启智能世界的钥匙。
如果未来的AI能够自我评估和优化，我们人类的角色将会怎样转变？是成为旁观者，还是成为引导者和创造者？
作者丨AI模数师
来源丨公众号：AI模数师（ID：ai_Modular）
dbaplus社群欢迎广大技术人员投稿，投稿邮箱： [email protected]
