RAG（检索增强生成）的三联指标——答案相关性、支持相关性和正确性——是一个用于评估结合了文档检索和文本生成系统的框架。这些指标评估系统在检索适当信息、生成与查询一致的答案以及确保事实准确性方面的表现。它们共同解决了 RAG 系统的核心挑战：确保输出有用、基于有效来源且事实可靠。通过衡量这三个方面，开发者可以查明检索、生成或验证步骤中的弱点。
答案相关性评估生成的答案是否直接回应了用户的查询。例如，如果用户问“什么导致日食？”，即使答案准确地解释了月相，在这里得分也会很低。该指标确保系统保持主题一致，避免离题或泛泛的回答。支持相关性衡量检索到的文档（例如，数据库条目或网页）与查询的相关程度。如果系统针对日食问题检索到关于月食的文章，此指标就会标记出不匹配。最后，正确性检查答案是否与检索到的来源和外部知识事实一致。回答“日食每月发生一次”在这里会失败，因为它与已知的天文事实相矛盾。这三个指标协同工作：即使答案正确，但与查询或支持文档相关性差也会使其变得无用。
为了进行全面评估，必须追踪所有三个指标。例如，一个旅行助手 RAG 系统回答“什么时候去日本最好？”时，可能会检索到过时的博客文章（支持相关性低），导致建议在限制旅行的季节出行（正确性低）。或者，它可能检索到有效来源，但生成一个模糊的答案，例如“日本有四季”（答案相关性低）。通过分析所有三个指标，开发者可以确定失败是源于检索（例如，改进文档索引）、生成（例如，微调模型）还是验证（例如，添加事实核查层）。这三联指标提供了对性能的平衡视图，确保系统准确、了解上下文且以用户为中心。
