应用场景中 RAG 指标的实证评估：实验、发现与局限

英文标题：Evaluating RAG Metrics in Applied Contexts: An Experiment, Its Findings and Its Limitations

本文报告了一项实证研究，系统评估了多个 RAG（检索增强生成）指标在真实应用场景中的相关性。实验基于由人类标注者从商业数据中构建的问答数据集，分析了 RAG 系统生成的回答与检索片段。论文通过对照实验揭示了常用指标与实际表现的一致程度，并讨论了研究设计的局限性。该工作为开发者选择可靠的评估指标提供了数据支持，并强调了行业场景下评估框架需要更审慎的设计。

2.6 KB 2.1 KB 640 B 612 B 380 B 9.1 KB 22.8 KB 24.2 KB 34.7 KB