Přejít na hlavní obsah
Čeština— Vyberte jazyk
Menu

Vyhodnocení RAG pipeline

Lekce 15 z 22 Aktualizováno 29. července 2026 Vývojář
Na této stránce
  1. Cíle
  2. Dvě osy evaluace
  3. Metriky generování
  4. Kompletní rámec pro evaluaci
  5. Dashboard metrik
  6. Klíčové poznatky

Cíle

  • Vyhodnotit vyhledávání (retrieval) a generování odděleně
  • Implementovat automatizované metriky kvality RAG
  • Vytvořit kompletní rámec pro evaluaci

Dvě osy evaluace

RAG pipeline selhává dvěma velmi odlišnými způsoby a jejich zaměňování tě bude stát týdny práce. Buď selhal krok vyhledávání (retrieval) a nenašel správné dokumenty – v tom případě je odpověď špatná z důvodů nesouvisejících s modelem pro generování a diagnostikují to metriky z Lekce 10 – nebo byly správné dokumenty přítomny, ale krok generování se vymkl kontrole: model si vymyslel detail nebo odpověděl na jinou otázku, než která byla položena.

Když uživatel nahlásí „odpověď je špatná“, neřekne ti, která z těchto dvou příčin je na vině. Proto platí pravidlo: měř obě komponenty nezávisle pomocí odlišných metrik a laděním se zabývej až poté, co identifikuješ, která z nich podává horší výkon.

Metriky generování

Věrnost (Faithfulness) odpovídá na otázku, která je v produkci nejdůležitější: je odpověď plně podložena poskytnutými dokumenty, nebo si model přidal vlastní interpretaci? Místo žádosti o celkové skóre – které hodnotitelé mají tendenci udělovat příliš štědře – nech hodnotitele rozklíčovat odpověď tvrzení od tvrzení a každé klasifikovat jako podložené, nepodložené nebo vyvrácené. Ta poslední kategorie je nejcennější: tvrzení, které je v rozporu se zdrojem, signalizuje mnohem vážnější chybu než pouhé vynechání informace.

from openai import OpenAI

client = OpenAI()

def evaluate_faithfulness(
    question: str,
    answer: str,
    contexts: list[str]
) -> dict:
    """Evaluates whether the answer is faithful to the contexts."""
    full_context = "\n\n---\n\n".join(contexts)

    response = client.chat.completions.create(
        model="gpt-5.6-terra",
        messages=[{
            "role": "user",
            "content": (
                f"Evaluate the faithfulness of this answer relative to the "
                f"source documents.\n\n"
                f"Source documents:\n{full_context}\n\n"
                f"Question: {question}\n\n"
                f"Answer: {answer}\n\n"
                f"For each claim in the answer, indicate:\n"
                f"- SUPPORTED: if confirmed by the documents\n"
                f"- UNSUPPORTED: if it does not appear in the documents\n"
                f"- CONTRADICTED: if it contradicts the documents\n\n"
                f"End with a global score from 0 to 1."
            )
        }],
        temperature=0
    )
    return {"evaluation": response.choices[0].message.content}

Odpověď může být dokonale věrná, a přesto k ničemu: může věrně kopírovat pasáž, která se týká něčeho jiného. To měří relevance odpovědi, která tentokrát porovnává odpověď pouze s otázkou, bez dokumentů. Prompt stanoví explicitní škálu – 1,0 za úplnou odpověď, 0,7 za částečnou, ale užitečnou, 0,3 za okrajovou souvislost, 0,0 za téma mimo – protože hodnotitel požádaný pouze o „ohodnocení od 0 do 1“ produkuje nestabilní skóre od běhu k běhu.

def evaluate_relevance(question: str, answer: str) -> float:
    """Relevance score of the answer relative to the question."""
    response = client.chat.completions.create(
        model="gpt-5.6-terra",
        messages=[{
            "role": "user",
            "content": (
                f"On a scale of 0 to 1, how well does this answer "
                f"address the question asked?\n\n"
                f"Question: {question}\n"
                f"Answer: {answer}\n\n"
                f"Criteria:\n"
                f"- 1.0: complete and precise answer\n"
                f"- 0.7: partial but useful answer\n"
                f"- 0.3: tangentially related\n"
                f"- 0.0: off-topic\n\n"
                f"Return only the numeric score."
            )
        }],
        temperature=0,
        max_tokens=10
    )
    try:
        return float(response.choices[0].message.content.strip())
    except ValueError:
        return 0.0

Pak tu máme přesnost kontextu (context precision), která propojuje obě osy: z pěti dokumentů, které jsi vložil do promptu, kolik jich bylo skutečně využito? Pokud odpověď na otázku týkající se dovolených politik čerpala pouze z jednoho z pěti chunků, zbývající čtyři spotřebovaly rozpočet kontextu a přidaly šum. Proto se hodnotitele ptáš na každý kontext izolovaně s jednoduchou odpovědí ano/ne a vypočítáš podíl těch užitečných.

def evaluate_context_precision(
    question: str,
    contexts: list[str],
    answer: str
) -> dict:
    """Evaluates which contexts were useful for the answer."""
    results = []

    for i, ctx in enumerate(contexts):
        response = client.chat.completions.create(
            model="gpt-5.6-terra",
            messages=[{
                "role": "user",
                f"Was this document useful for answering "
                f"the question?\n\n"
                f"Question: {question}\n"
                f"Document: {ctx[:500]}\n"
                f"Generated answer: {answer}\n\n"
                f"Answer YES or NO."
            }],
            temperature=0,
            max_tokens=5
        )
        useful = "yes" in response.choices[0].message.content.lower()
        results.append({"index": i, "useful": useful})

    num_useful = sum(1 for r in results if r["useful"])
    return {
        "details": results,
        "precision": num_useful / len(contexts) if contexts else 0
    }

Kompletní rámec pro evaluaci

Tyto tři funkce jsou k ničemu, pokud zůstanou manuální. Rozhodujícím krokem je spustit je při každé úpravě pipeline na pevné sadě otázek: právě to promění pocit typu „myslím, že je to lepší, protože jsem změnil chunkování“ na porovnatelné číslo. Níže uvedená třída spustí pipeline pro každou položku v datasetu, sesbírá skóre a vrátí jejich průměry.

Podívej se na ukázkový dataset: dvě otázky z oblasti HR, každá s očekávanou odpovědí a identifikátorem dokumentů, které by měly být vyhledány. Dvacet až padesát položek tohoto typu, napsaných jednou provždy na základě reálných uživatelských otázek, stačí k odhalení regrese.

class RAGEvaluator:
    def __init__(self, rag_pipeline):
        self.pipeline = rag_pipeline
        self.client = OpenAI()

    def evaluate_dataset(self, dataset: list[dict]) -> dict:
        """Evaluates the pipeline on a question-answer dataset.

        Each item: {question, expected_answer, relevant_docs}
        """
        results = {
            "faithfulness": [],
            "relevance": [],
            "context_precision": [],
        }

        for item in dataset:
            # Execute the pipeline
            output = self.pipeline.respond(item["question"])
            answer = output["answer"]
            contexts = [s["excerpt"] for s in output["sources"]]

            # Evaluate
            relevance = evaluate_relevance(item["question"], answer)
            results["relevance"].append(relevance)

            ctx_eval = evaluate_context_precision(
                item["question"], contexts, answer
            )
            results["context_precision"].append(ctx_eval["precision"])

        # Averages
        import numpy as np
        return {
            metric: round(float(np.mean(scores)), 4)
            for metric, scores in results.items()
        }

# Usage
dataset = [
    {
        "question": "How many leave days do I have?",
        "expected_answer": "25 days of paid leave per year",
        "relevant_docs": ["leave-policy"]
    },
    {
        "question": "Can I work remotely on Mondays?",
        "expected_answer": "Yes, remote work is allowed except on Tuesdays and Thursdays",
        "relevant_docs": ["remote-work-policy"]
    },
]

evaluator = RAGEvaluator(rag_pipeline)
metrics = evaluator.evaluate_dataset(dataset)
print("Results:")
for k, v in metrics.items():
    print(f"  {k}: {v}")

Dashboard metrik

Zde jsou cíle, na které bys měl v produkčním systému mířit, spolu s vysvětlením, co každé číslo skutečně znamená.

MetrikaCílCo měří
Recall@5> 0,90Jsou správné dokumenty v top 5?
Precision@5> 0,70Jsou vrácené dokumenty relevantní?
Faithfulness> 0,85Je odpověď věrná zdrojům?
Answer Relevance> 0,80Odpovídá odpověď na otázku?
Context Precision> 0,60Jsou poskytnuté kontexty užitečné?

Čti tuto tabulku shora dolů jako diagnostický strom. Recall pod 0,90 činí jakoukoli analýzu následujících řádků bezpředmětnou: nejprve oprav chunkování nebo index. Naopak vynikající recall v kombinaci se špatnou věrností ukazuje na prompt pro generování, nikoliv na vyhledávání.

Klíčové poznatky

  • Vyhodnocuj vyhledávání (recall, precision) a generování (věrnost, relevance) odděleně
  • Věrnost odhaluje halucinace LLM
  • Relevance ověřuje, zda je odpověď užitečná
  • Vytvoř testovací dataset a měř před každou změnou