RAG应用已成为利用大模型能力的典型代表，受到广泛推广，并不断涌现出多种性能提升技术。然而，全面、准确地评估RAG系统仍然面临挑战。传统评估方法存在诸多局限性：难以有效衡量长文本回复、难以区分检索与生成模块的错误来源，且与人类判断的相关性较低。
为了解决这些问题，亚马逊科学团队与上海交通大学等研究团队联合开发了RAGChecker。这是一款专为RAG系统设计的创新评估框架，能够通过自动检查和验证生成内容的准确性，显著减少“幻觉”等常见生成错误。RAGChecker可集成至现有RAG系统中，从而提升系统回答的可靠性和对真实数据的引用精度，为实际应用提供更稳健的支持。
RAGChecker 是一种先进的自动评估框架，旨在评估和诊断检索增强生成 (RAG) 系统。它提供了一套全面的指标和工具，用于深入分析 RAG 性能。
RAGChecker的主要特点
整体评估：RAGChecker 提供Overall Metrics，支持对整个 RAG 管道的全面评估，帮助用户快速了解系统的整体表现。
诊断指标：RAGChecker包含诊断检索指标（Diagnostic Retriever Metrics）用于分析检索组件，以及诊断生成指标（Diagnostic Generator Metrics）用于评估生成组件。通过这些诊断指标，用户能够深入了解系统性能，为有针对性的优化提供关键数据支持。
细粒度评估：使用基于claim-level entailment的操作，实现细粒度评估，更精确地评估回答的正确性和合理性。
基准数据集：即将推出的全面RAG基准数据集，包含10个领域的4,000个问题，便于在多个领域对系统进行测试和对比。
元评估：包含人工注释的偏好数据集，用于评估RAGChecker的评估结果与人类判断之间的相关性，以确保系统评估结果的准确性和可靠性。
RAGChecker 使开发人员和研究人员能够精确、深入地彻底评估、诊断和增强他们的 RAG 系统。
RAGChecker 论文：https://arxiv.org/pdf/2408.08067
RAGChecker使用声明级检查(claim-level checking)方法进行细粒度评估。以下是其工作原理：
声明抽取（Claim Extraction）：RAGChecker使用大型语言模型（LLM）作为抽取器，将复杂文本（RAG系统响应和标准答案）分解为单独的声明。声明是一个独立的、原子化的信息片段，可以被验证为真或假。示例：文本："埃菲尔铁塔建于1889年，高324米。" 抽取的声明：
("埃菲尔铁塔","建于","1889年")("埃菲尔铁塔","高度","324米")声明检查（Claim Checking）: 另一个LLM作为检查器，根据参考文本（检索的上下文或标准答案）验证每个提取的声明的准确性。
RAGChecker执行以下比较：
回复的声明 vs. 标准答案：衡量回复的正确性。
标准答案的声明 vs. 回复：衡量回复的完整性。
回复的声明 vs. 检索上下文：衡量忠实度并识别幻觉。
标准答案的声明 vs. 检索上下文：评估检索信息的质量。
这些比较是计算RAGChecker中各种指标的基础。
RAGChecker提供三类指标来评估RAG系统的不同方面：
这些指标衡量整个RAG流程的整体质量：
精度（Precision）: 表示回复的正确性（correctness）（回复中正确声明的比例）。
召回（Recall）: 表示回复的完整性（completeness）（回复中提到的标准答案声明的比例）。
F1: 精确率和召回率的调和平均值，衡量回复的整体质量。
计算整体指标需要回复和标准答案，不需要检索上下文。
检索指标
检索指标衡量检索模块（如BM25）搜索相关信息和并降低噪音的能力。
声明召回（Claim Recall）：检索上下文覆盖的标准答案声明的比例。
上下文精度（Context Precision）：相关chunk的比例。不相关的chunk可以被视为噪音。
其中，相关chunk是指包含任意标准答案声明的chunk（图中绿色方块）。计算检索器指标需要标准答案和检索上下文。
生成指标
生成指标可以评估生成器的多个方面性能：
上下文利用率（Context Utilization）：生成器有效使用上下文中相关信息的程度。
对相关/不相关chunk中的噪音敏感度（Noise Sensitivity in Relevant/Irrelevant Chunks）：生成器受相关和不相关文本块中噪音影响的程度。
幻觉（Hallucination）：生成的不在上下文中的错误信息。
自身知识（Self-knowledge）：使用模型自身知识而不是检索上下文中的内容。
忠实度（Faithfulness）：生成器使用检索上下文的程度。
首先安装依赖：
pipinstallragcheckerpython-mspacydownloaden_core_web_sm
命令行运行RAGChecker
按照所需格式准备您的输入JSON文件（参见上面的描述）。
运行评估脚本（使用我们仓库中的示例文件）：
ragchecker-cli\--input_path=examples/checking_inputs.json\#这是您的输入数据--output_path=examples/checking_outputs.json\#此指定输出文件--extractor_name=bedrock/meta.llama3-1-70b-instruct-v1:0\#关于如何设置模型，请参考下面的描述--checker_name=bedrock/meta.llama3-1-70b-instruct-v1:0\#关于如何设置模型，请参考下面的描述--batch_size_extractor=64\--batch_size_checker=128\#可以大于batch_size_extractor--metricsall_metrics#all_metrics,overall_metrics,retriever_metrics或generator_metrics
from ragchecker import RAGResults, RAGCheckerfrom ragchecker.metrics import all_metrics# 从json/dict初始化ragresultswith open("examples/checking_inputs.json") as fp:rag_results = RAGResults.from_json(fp.read())# 设置评估器evaluator = RAGChecker(extractor_name="bedrock/meta.llama3-1-70b-instruct-v1:0",checker_name="bedrock/meta.llama3-1-70b-instruct-v1:0",batch_size_extractor=32,batch_size_checker=32)# 使用选定的指标（如retriever_metrics、generator_metrics、all_metrics）评估结果evaluator.evaluate(rag_results, all_metrics)print(rag_results)
代码成功运行后，它将输出如下所示的指标值：
Resultsforexamples/checking_outputs.json:{"overall_metrics":{"precision":73.3,"recall":62.5,"f1":67.3},"retriever_metrics":{"claim_recall":61.4,"context_precision":87.5},"generator_metrics":{"context_utilization":87.5,"noise_sensitivity_in_relevant":22.5,"noise_sensitivity_in_irrelevant":0.0,"hallucination":4.2,"self_knowledge":25.0,"faithfulness":70.8}}运行RAGChecker后，您将收到一组指标。以下是如何解读这些结果并采取行动：
检索模块:
声明召回率低：考虑使用更先进的检索模型或增加检索chunk的数量。
上下文精确率低：尝试减少检索文本块的数量以降低噪声。
如果可能的话，您还可以考虑微调检索器。
生成模块:
忠实度低或幻觉高：调整您的提示以强调仅使用检索到的信息。
上下文利用率低：修改提示以鼓励生成器识别和使用相关信息。
噪音敏感度高：在提示中增加推理步骤，帮助生成器忽略不相关信息。
整体系统改进:
尝试不同的文本块大小和检索文本块数量。
尝试不同的检索器和生成器组合。
如果可能，在特定领域数据上微调两个组件。
RAGChecker 现在与 LlamaIndex 集成，为使用 LlamaIndex 构建的 RAG 应用程序提供了强大的评估工具。有关如何将 RAGChecker 与 LlamaIndex 结合使用的详细说明，请参阅有关 RAGChecker 集成的 LlamaIndex 文档。这种集成允许 LlamaIndex 用户利用 RAGChecker 的综合指标来评估和改进他们的 RAG 系统。
| 欢迎光临 链载Ai (https://www.lianzai.com/) | Powered by Discuz! X3.5 |