RAGChecker为你的RAG系统提供全方位诊断

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。

亚马逊AWS AI开源了RAGChecker，一个基于声明级别蕴含性检查的细粒度评估框架，涉及从响应和真实答案中提取声明并与其他文本对照。

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。

RAGChecker使开发者和研究人员能够精确深入地全面评估、诊断和增强他们的RAG系统：

• 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。

通过在10个领域的公共数据集上对8个最先进的RAG系统进行综合实验，RAGCHECKER显示出与人类评估者有更强的相关性，并提供了关于RAG系统组件行为和设计中固有权衡的深刻见解。

RAG基准统计信息。此基准测试是从涵盖10个领域的公共数据集中重新调整用途构建的，包含4,162个问题。对于财务、生活方式、娱乐、科技、科学和小说到领域的数据，简短的答案已使用GPT-4扩展为长篇答案。

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。

附录

RAGCHECKER和RAGAS答案相似性预测分数分布的比较。图中的每个点代表元评估数据集中的一个实例，其中x轴是相应方面的人类偏好标签，y轴是RAGCHECKER和RAGAS答案相似性的预测分数。预测分数的分布由彩色区域表示，虚线是平均线。

更多上下文增强了忠实度诊断示例分析

Top-k选择和片段大小都平衡了呈现给生成器的噪声量和有用信息量，但方式不同。相应的结果在下面两张图中展示。

• 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。

Top-k选择的诊断

片段大小的诊断

https://arxiv.org/pdf/2408.08067``RAGCHECKER: A Fine-grained Framework for Diagnosing Retrieval-Augmented Generation``https://github.com/amazon-science/RAGChecker

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】