AI测试入门：基于 RAG 的 LLM 应用程序的测试方法「详细介绍」
AI测试入门：基于 RAG 的 LLM 应用程序的测试方法「详细介绍」
- 1. RAG 架构
- 2. 检索器和生成器的作用
- 3. RAG 的评估指标
- 3.1 检索器指标：答案相关性（Answer Relevancy）
- 3.2 检索器指标：忠诚度（Faithfulness）
- 3.3 检索器指标：上下文召回（Contextual Recall）
- 3.4 检索器指标：上下文精度（Contextual Precision）
- 4. 测试方法
1. RAG 架构
一个典型的 RAG 架构包括一个检索器（对知识库进行矢量搜索检索上下文的组件）和一个生成器（从检索器中获取检索上下文以构建提示并生成自定义 LLM 响应作为最终输出的组件）。在大多数情况下， “知识库” 由存储在向量数据库（如 ChromaDB）中的向量嵌入组成。
RAG 架构的示意图说明如下：
1.检索器在运行时，首先嵌入给定的输入；
2.搜索包含数据的向量空间以找到前 K 个最相关的检索结果 ；
3.根据相关性（或与矢量化输入嵌入的距离）对结果进行排名；
4.最后被处理成一系列提示，并传递给生成器，也就是你选择的 LLM &