如何评估 RAG 系统的端到端效果？

标准回答

分两层评估：检索层看相关证据是否找到（Recall@K、Precision@K 等），生成层看答案是否正确、是否忠于证据、引用是否支持对应结论。端到端再看任务完成率、拒答是否合理、P95 延迟和成本；固定题集并分开统计检索漏失与生成误读，才能知道改哪一段。

标准答案在文档里但没召回，是检索问题；召回正确段落却读反了，是生成问题；两者要分开统计才能修对地方。

只看最终答案分数，无法分清知识缺失、召回失败还是生成曲解。