A continuaciónSiguiente guía
Métricas de evaluación de ROUGE y BLEU
Técnico
GUÍA Técnica
La evaluación de RAG califica un sistema de generación aumentada por recuperación por separado en la recuperación y en la generación, más comúnmente con cuatro métricas: fidelidad, relevancia de la respuesta, precisión del contexto y recuperación del contexto.
Escuche esta guíaNarrado por IA · ~3 min
RAGAS es un marco de código abierto que calcula estas métricas, utilizando en gran medida un LLM como juez. Las puntuaciones separadas importan porque muestran si una mala respuesta provino de buscar los pasajes incorrectos o de usar mal los correctos.
A RAG system can fail in two places: retrieval can fetch the wrong passages, or generation can ignore or distort the right ones. A single overall quality score hides which happened, so RAG evaluation splits the pipeline into measurable parts. RAGAS, an open-source framework introduced in a 2023 paper by Es and colleagues, popularized a set of core metrics that cover both halves. Faithfulness asks whether every claim in the answer is supported by the retrieved context; it catches hallucination even when the answer sounds plausible. Answer relevance asks whether the answer actually addresses the question, penalizing evasive or padded replies. Context precision asks whether the retrieved chunks that matter are ranked near the top rather than buried among noise. Context recall asks whether the retrieved context contains everything needed to produce a reference answer, so it requires a ground-truth answer for each test question. Most of these scores are computed by an LLM acting as a judge, broken into small steps. For faithfulness, the judge extracts individual statements from the answer and checks each against the context; the score is the fraction supported. For answer relevance, RAGAS generates questions that the answer would respond to and compares them with the original question using embeddings. Similar ideas appear in other tools, such as the TruLens RAG triad (context relevance, groundedness and answer relevance) and DeepEval. Two misconceptions are common. First, faithful does not mean correct: an answer can faithfully repeat an outdated or wrong document. Second, LLM-judge scores are not ground truth. They vary with the judge model and prompt, so teams spot-check them against human labels and compare systems under identical settings rather than treating a score like 0.85 as an absolute grade.
El asistente de políticas de un banco obtiene 0.95 en recuperación de contexto pero 0.70 en fidelidad, lo que le indica al equipo que la recuperación está bien y el modelo está agregando detalles no respaldados, por lo que ajustan el prompt en lugar de reconstruir el índice.
Un equipo de soporte compara dos modelos de incrustación (embeddings) en el mismo conjunto de pruebas de 200 preguntas y se queda con el que tiene mayor recuperación de contexto y precisión de contexto.
Una herramienta de conocimiento hospitalario ejecuta la puntuación de fidelidad en una muestra diaria de preguntas reales y marca las respuestas con afirmaciones no respaldadas para su revisión humana antes de que el patrón se propague.
Una startup agrega un reordenador (reranker) después de ver una alta recuperación de contexto pero una baja precisión de contexto, lo que significa que se recuperaron los fragmentos correctos pero se clasificaron por debajo de los irrelevantes.
La evaluación de RAG está cambiando de informes ocasionales fuera de línea hacia revisiones continuas, donde se califica una muestra del tráfico de producción y las regresiones activan alertas. Los marcos han estado agregando métricas para conversaciones de múltiples turnos, agentes y uso de herramientas, y las definiciones de las métricas cambian entre versiones de bibliotecas, por lo que fijar las versiones es importante para obtener resultados comparables. El mayor problema abierto es la confiabilidad del juez: los jueces LLM pueden mostrar sesgos como favorecer respuestas más largas, y la concordancia con los revisores humanos varía según el dominio. Calibrar a los jueces frente a pequeños conjuntos etiquetados por humanos y combinarlos con métricas de recuperación deterministas probablemente seguirá siendo una buena práctica.
Boletín gratuito
Tres noticias verificadas sobre IA cada mañana de lunes a viernes, explicadas con claridad. Gratis para siempre y sin anuncios.
Un correo cada día laborable. Date de baja con un clic. Nunca vendemos ni compartimos tu dirección.
Ponte a prueba
Corrección inmediata en cada respuesta y un certificado para compartir, con un ID verificable, cuando apruebas un curso.
Apoya la educación gratuita sobre IA. AI Understanding es una organización sin fines de lucro 501(c)(3): sin anuncios ni muros de pago, nunca. Hacer una donación
La evaluación de RAG califica un sistema de generación aumentada por recuperación por separado en la recuperación y en la generación, más comúnmente con cuatro métricas: fidelidad, relevancia de la respuesta, precisión del contexto y recuperación del contexto. RAGAS es un marco de código abierto que calcula estas métricas, utilizando en gran medida un LLM como juez. Las puntuaciones separadas importan porque muestran si una mala respuesta provino de buscar los pasajes incorrectos o de usar mal los correctos.
La fidelidad mide la fracción de afirmaciones de la respuesta respaldadas por el contexto, lo que apunta a la alucinación.
La recuperación de contexto comprueba si el contexto recuperado contiene lo necesario para la respuesta de referencia, por lo que debe existir una referencia.
La precisión del contexto premia colocar los fragmentos útiles en la parte superior de la clasificación en lugar de enterrarlos entre los irrelevantes.
Si las preguntas generadas a partir de la respuesta se parecen a la pregunta real, la respuesta está dentro del tema; los embeddings miden esa similitud.
Se están recuperando los fragmentos correctos pero se clasifican mal, lo cual es un problema de clasificación que un reranker suele solucionar.
sigue aprendiendo
Más guías seleccionadas para este tema.
A continuaciónSiguiente guía
Métricas de evaluación de ROUGE y BLEU
Técnico