Ocena potoku RAG
Na tej stronie
Cele
- Oddzielna ocena etapów wyszukiwania i generowania
- Wdrożenie zautomatyzowanych metryk jakości RAG
- Budowa kompletnego frameworku ewaluacyjnego
Dwie osie oceny
Potok RAG może zawieść na dwa zupełnie różne sposoby, a ich mylenie kosztuje tygodnie pracy. Albo krok wyszukiwania nie znalazł właściwych dokumentów – wtedy odpowiedź jest błędna z przyczyn niezwiązanych z modelem generującym, a metryki z Lekcji 10 to zdiagnozują – albo właściwe dokumenty były obecne, ale krok generowania poszedł nie tak: model zmyślił szczegół lub odpowiedział na inne pytanie niż zadane.
Gdy użytkownik zgłasza „odpowiedź jest błędna“, nie powie ci, która z tych dwóch przyczyn leży u podstaw. Stąd zasada: mierz oba komponenty niezależnie, używając odrębnych metryk, i dostosowuj tylko ten, który faktycznie niedomaga.
Metryki generowania
Wierność (Faithfulness) odpowiada na najważniejsze w produkcji pytanie: czy odpowiedź jest w pełni poparta dostarczonymi dokumentami, czy model dodał coś od siebie? Zamiast prosić o ogólną ocenę – którą sędziowie często wystawiają zbyt hojnie – każ im rozbić odpowiedź na poszczególne twierdzenia i sklasyfikować każde jako: poparte, niepoparte lub zaprzeczone. Ta ostatnia kategoria jest najcenniejsza: twierdzenie sprzeczne ze źródłem sygnalizuje znacznie poważniejszy błąd niż zwykłe pominięcie.
from openai import OpenAI
client = OpenAI()
def evaluate_faithfulness(
question: str,
answer: str,
contexts: list[str]
) -> dict:
"""Ocena, czy odpowiedź jest wierna kontekstom."""
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}
Odpowiedź może być idealnie wierna, a jednocześnie bezużyteczna: może wiernie kopiować fragment dotyczący czegoś innego. To właśnie mierzy trafność odpowiedzi (Answer Relevance), tym razem porównując odpowiedź wyłącznie do pytania, bez dokumentów. Prompt ustala explicitną skalę – 1,0 za odpowiedź kompletną, 0,7 za częściową, ale użyteczną, 0,3 za poboczną, 0,0 za niezwiązaną z tematem – ponieważ sędzia poproszony jedynie o „ocenę od 0 do 1“ generuje niestabilne wyniki z uruchomienia na uruchomienie.
def evaluate_relevance(question: str, answer: str) -> float:
"""Wynik trafności odpowiedzi względem pytania."""
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
Mamy jeszcze precyzję kontekstu (Context Precision), która łączy obie osie: spośród pięciu dokumentów wstrzykniętych do promptu, ile zostało faktycznie wykorzystanych? Jeśli odpowiedź na pytanie o zasady urlopowe oparła się tylko na jednym z pięciu fragmentów, pozostałe cztery zużyły budżet kontekstu i wprowadziły szum. Pytasz więc sędziego o każdy kontekst z osobna, oczekując prostego TAK lub NIE, i obliczasz proporcję tych użytecznych.
def evaluate_context_precision(
question: str,
contexts: list[str],
answer: str
) -> dict:
"""Ocena, które konteksty były przydatne dla odpowiedzi."""
results = []
for i, ctx in enumerate(contexts):
response = client.chat.completions.create(
model="gpt-5.6-terra",
messages=[{
"role": "user",
"content": (
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
}
Kompletny framework ewaluacyjny
Te trzy funkcje są bezużyteczne, dopóki pozostają manualne. Decydującym krokiem jest uruchamianie ich na stałym zestawie pytań za każdym razem, gdy modyfikujesz potok: to właśnie zamienia przeczucie – „chyba jest lepiej po zmianie chunkingu“ – w porównywalną liczbę. Poniższa klasa wykonuje potok dla każdego elementu zbioru danych, zbiera wyniki i zwraca ich średnie.
Spójrz na przykładowy zbiór danych: dwa pytania z działu HR, każde z oczekiwaną odpowiedzią i identyfikatorem dokumentów, które powinny zostać pobrane. Dwadzieścia do pięćdziesięciu wpisów tego typu, napisanych raz na zawsze na podstawie rzeczywistych pytań użytkowników, wystarczy do wykrycia regresji.
class RAGEvaluator:
def __init__(self, rag_pipeline):
self.pipeline = rag_pipeline
self.client = OpenAI()
def evaluate_dataset(self, dataset: list[dict]) -> dict:
"""Ocena potoku na zbiorze danych pytanie-odpowiedź.
Każdy element: {question, expected_answer, relevant_docs}
"""
results = {
"faithfulness": [],
"relevance": [],
"context_precision": [],
}
for item in dataset:
# Wykonanie potoku
output = self.pipeline.respond(item["question"])
answer = output["answer"]
contexts = [s["excerpt"] for s in output["sources"]]
# Ocena
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"])
# Średnie
import numpy as np
return {
metric: round(float(np.mean(scores)), 4)
for metric, scores in results.items()
}
# Użycie
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}")
Panel metryk
Oto cele, do których warto dążyć w systemie produkcyjnym, wraz z wyjaśnieniem, co oznacza każda liczba.
| Metryka | Cel | Co mierzy |
|---|---|---|
| Recall@5 | > 0,90 | Czy właściwe dokumenty są w top 5? |
| Precision@5 | > 0,70 | Czy zwrócone dokumenty są trafne? |
| Faithfulness | > 0,85 | Czy odpowiedź jest wierna źródłom? |
| Answer Relevance | > 0,80 | Czy odpowiedź dotyczy pytania? |
| Context Precision | > 0,60 | Czy dostarczone konteksty są użyteczne? |
Czytaj tę tabelę od góry do dołu jak drzewo diagnostyczne. Recall poniżej 0,90 sprawia, że analiza kolejnych wierszy nie ma sensu: najpierw napraw chunking lub indeks. Odwrotnie, doskonały recall przy słabej wierności wskazuje na prompt generujący, a nie na wyszukiwarkę.
Kluczowe wnioski
- Oceniaj wyszukiwanie (recall, precyzja) i generowanie (wierność, trafność) oddzielnie
- Wierność wykrywa halucynacje LLM
- Trafność weryfikuje użyteczność odpowiedzi
- Zbuduj zbiór testowy i mierz wyniki przed każdą zmianą