由于RAG系统的模块化特性、对长文本响应的评估需求以及现有评估指标的可靠性不足，对RAG系统进行全面评估存在挑战。
RAGCHECKER中提出的指标的说明。上面的维恩图展示了模型响应与真实答案之间的比较，显示了可能的正确（O）、错误（X）和缺失的声明（V）。检索到的块根据它们包含的声明类型被分类为两类。下面，定义了整体、检索器和生成器的指标，说明了如何评估RAG系统的每个组件的性能。
全面评估：RAGChecker提供整体指标，用于评估整个RAG流程。 诊断指标：用于分析检索组件的诊断检索器指标。用于评估生成组件的诊断生成器指标。这些指标为针对性改进提供了有价值的见解。 细粒度评估：利用声明级别的蕴含操作进行细粒度评估。 基准数据集：一个包含4000个问题、涵盖10个领域的全面的RAG基准数据集（即将推出）。 元评估：一个用于评估RAGChecker结果与人类判断相关性的人工标注偏好数据集。
与人类评估的正确性、完整性和整体评估的相关性结果。展示了每个基线框架（TruLens、RAGAS、ARES、CRUD-RAG）相关指标。
RAGCHECKER的指标可以帮助研究人员和实践者开发更有效的RAG系统，并通过调整RAG系统的设置（如检索器的数量、块大小、块重叠比例和生成提示）来提供改进建议。
不同RAG系统在10个数据集上的平均评估结果。使用精确度（Prec.）、召回率（Rec.）和F1分数来量化RAG系统的整体性能。检索器组件基于声明召回率（CR）和上下文精确度（CP）进行评估，而生成器组件则通过上下文利用度（CU）、相关噪声敏感性（NS(I)）、不相关噪声敏感性（NS(II)）、幻觉（Hallu.）、自我知识（SK）和忠实度（Faith.）进行诊断。此外，还提供了每个RAG系统的平均响应声明数量。
增加k会增加可能不太相关的更多上下文，而增加片段大小则提供了更多相关事实的周围上下文。因此，随着k的增大，上下文精确度会降低，但随着片段大小的增大而提高。尽管如此，它们都会导致检索中更好的声明召回率。 生成器在提供更多上下文时往往更加忠实，尽管这一趋势对于Llama3来说不太明显，因为它已经表现出很高的忠实度。由于噪声的增加，上下文利用度通常随着更多上下文而恶化，导致更高的相关噪声敏感性。 端到端的RAG性能在更多上下文的情况下略好，主要是由于召回率的提高。建议适度增加这两个参数以实现更忠实的生成，同时要注意在高值时会出现饱和，因为有用信息的数量是有限的。在上下文长度有限的情况下，更倾向于选择较大的片段大小和较小的k，特别是对于较容易的数据集（金融、写作）。这在比较片段大小为150且k=20与片段大小为300且k=10时尤为明显。
片段大小的诊断
https://arxiv.org/pdf/2408.08067RAGCHECKER: A Fine-grained Framework for Diagnosing Retrieval-Augmented Generationhttps://github.com/amazon-science/RAGChecker
