上下文精确率和上下文召回率是用于评估检索增强生成（RAG）系统检索和使用相关信息的有效性的指标。 上下文精确率 衡量系统针对特定查询优先处理最有用的文档的效果。 例如，如果用户询问“COVID-19 的症状是什么？”，系统在顶部结果中检索到三个高度相关的医疗指南，然后是相关性较低的文章，则其精确率分数会反映此排名质量。 高精确率确保生成器首先关注最佳信息，从而减少输出中的噪音。 但是，低精确率意味着系统会提前浮出无关或冗余的文档，这可能会导致生成器产生不太准确的答案。
另一方面，上下文召回率 评估系统是否检索到解决查询所需的所有*相关*信息。 例如，如果关于“糖尿病的治疗方案”的查询需要有关药物、饮食和运动的详细信息，则高召回率意味着系统会提取涵盖所有三个方面的文档。 低召回率表明存在差距 - 例如，缺少与饮食相关的信息 - 这可能导致生成器产生不完整的答案。 对于复杂的查询，召回率至关重要，因为即使遗漏一个关键细节也可能破坏响应。 总而言之，精确率和召回率平衡了系统优先处理*和*覆盖必要内容的能力。
这些指标表明了不同的性能特征。 高上下文精确率表明检索组件可以有效地按相关性对文档进行排名，这对于处理所有检索数据的实时系统至关重要。 高上下文召回率表示彻底性，这对于需要详尽答案的查询很重要。 但是，通常会存在权衡：优化精确率（例如，检索较少的文档）可能会牺牲召回率，反之亦然。 开发人员可以使用这些指标来根据用例优先级调整检索参数，例如提取的文档数量或排名算法。 例如，医疗聊天机器人可能会优先考虑召回率，以避免遗漏关键信息，而客户支持工具可能会倾向于精确率，以实现更快、更专注的响应。
