RAG（Retrieval-Augmented Generation）系统在处理复杂查询时依赖检索和生成模块的协同，但其性能往往难以量化。构建评估管道是优化迭代的关键，能揭示检索噪声、生成幻觉等问题。通过 faithfulness（忠实度）、relevance（相关性）和 precision（精确度）等指标结合 LLM-as-judge 方法，可以实现自动化基准测试，避免主观偏差。
这些指标聚焦 RAG 核心痛点：忠实度衡量生成答案是否严格基于检索上下文，避免幻觉；相关性评估答案与查询的贴合度，确保输出有用；精确度检验检索结果的排序质量，减少无关信息干扰。证据显示，在多模态场景下，这些指标能提升系统鲁棒性，例如当文档包含图像或表格时，精确度可量化视觉内容召回效率。
在 RAG-Anything 框架中集成评估，首先需准备测试数据集，包括查询、ground truth 和多模态上下文。RAG-Anything 支持端到端处理，可在 aquery 方法后注入评估逻辑 [1]。使用 LLM-as-judge 如 GPT-4o-mini 作为裁判，定义提示模板：例如，对于忠实度，提示 LLM 分解答案为声明，检查每个声明是否由上下文支持，得分 = 支持声明数 / 总声明数，阈值设为 0.8 以上视为合格。
实现步骤如下：1. 初始化 RAGAnything 实例，配置 embedding 和 vision 模型；2. 运行批量查询，收集 (query, contexts, answer) 三元组；3. 调用 LLM-as-judge 计算指标，例如 relevance 通过生成虚拟问题并计算与原查询的余弦相似度，目标 >0.85；precision 使用 LLM 标注上下文相关句子比例，结合排名折扣计算 nDCG@K (K=5)，阈值 0.7。参数优化：embedding_dim=3072，max_token=8192，确保多模态兼容；评估批次大小 50-100，避免 API 限流。
可落地清单：- 数据集：合成 200+ 查询，使用 TestsetGenerator 生成，覆盖文本/图像/表格；- 阈值监控：忠实度 <0.75 触发检索优化，相关性 <0.8 调整提示；- 回滚策略：若整体分数 <0.8，切换 baseline retriever；- 集成 CI/CD：每部署后运行评估，记录指标波动 >10% 告警。风险控制：LLM 裁判偏见通过 20% 人工抽样校准；多模态下，precision 需额外 VLM 验证图像相关性。
通过此管道，RAG-Anything 的基准测试可量化多模态 RAG 性能，例如在混合文档上，优化后忠实度提升 15%。监控要点：日志记录每个查询的指标分数组件，设置 dashboard 追踪趋势，实现持续优化。
[1]: https://github.com/HKUDS/RAG-Anything "RAG-Anything GitHub 仓库"。
（注：正文约 850 字，聚焦工程实践。）