RAG性能评估：从方案到实践

原创 AI-GKP AI果壳派

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应用的搭建可以参考之前的文章：

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：

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：

1.2 选择评测指标

常用评测指标如下：

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：

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：

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：

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()

参考链接

https://www.trulens.org/trulens_eval/core_concepts_rag_triad/
Get Started | Ragas
https://github.com/explodinggradients/ragas

继续滑动看下一个