RAG评估指标2026：忠实度、相关性、上下文精确度

你的RAG系统回答感觉不错，但怎么衡量检索到底有没有帮上忙？准确率这类经典指标根本测不出RAG错在哪。这里给出真正重要的指标。

💡 你将学到

你的RAG系统回答感觉不错，但怎么衡量检索到底有没有帮上忙？准确率这类经典指标根本测不出RAG错在哪。这里给出真正重要的指标。

固定测试集上的准确率只告诉你模型答了，不告诉你为什么。RAG的失败分两种：检索返回了错误上下文，或模型忽略了正确的上下文——需要能隔离这两阶段的指标。2026年四个关键指标：忠实度（答案里每个论断是否都被检索上下文支持，抓幻觉）；答案相关性（答非所问也算错）；上下文精确度（检索来的chunk里真正用上的比例，衡量检索噪音）；上下文召回率（该找的chunk有没有找全）。RAGAS是标准开源工具，首创LLM裁判打分：用裁判模型给每个维度打分，忠实度和相关性无需人工标注，当天上线当天就能评。铁三角是忠实度+相关性+上下文精确度，Arize Phoenix（1万星）和Langfuse都内置了这些评估。实用阈值：忠实度低于0.8说明模型在忽略或误用上下文；上下文精确度低于0.5说明检索太吵，要收紧分块、加重排；相关性低于0.7说明问题理解坏了。双轨测试：离线黄金集100-200对每周跑，线上每周抽50条真实查询用裁判模型打分。