拓冰网站定制 
第 1 章 为什么需要评估 RAG以及本教程怎么读本章定位理论铺垫与导航。在进入任何代码、任何指标之前我们先把为什么非评估 RAG 不可这件事讲清楚再给你一张能一直用到第 11 章的学习地图并帮你把环境一次性装对。读完本章你应当能向同事用一句话解释 RAG、说清它难评估的根源并知道接下来十章该按什么顺序读。名词约定全教程统一官方仓库现地址vibrantlabsai/ragas旧镜像explodinggradients/ragas内容一致只是旧组织路径引用时可标注旧路径。官方文档https://docs.ragas.io/旧域名ragas.in已迁移/重定向至此。核心论文RAGAS: Automated Evaluation of Retrieval Augmented GenerationEs et al., 2023arXiv:2309.15217。PyPI 发布页https://pypi.org/project/ragas/。事实 / 观点 标注说明本章用「事实」表示可经官方文档、仓库或论文核验的客观陈述用「观点」表示基于经验的建议请结合你团队实际判断。1.1 什么是 RAG检索增强生成一句话定义事实RAGRetrieval-Augmented Generation检索增强生成是一种让大语言模型LLM在生成回答时先从外部知识库检索相关片段作为上下文再基于这些上下文生成答案的架构范式。它把模型凭记忆作答变成了模型先查资料再作答从而在不需要重训模型的前提下缓解幻觉、注入私有/最新知识。观点如果把纯 LLM 比作闭卷考试RAG 就是开卷考试——但开卷不等于答得对关键在于书翻得准不准、抄得对不对。架构两段式Retrieval → GenerationRAG 在逻辑上天然分成**检索段Retrieval与生成段Generation**两段二者各承担一半的质量风险用户提问 (question) │ ▼ ┌─────────────────────────────────────────────┐ │ 检索段 (Retrieval) │ │ 1. 把问题向量化 (query embedding) │ │ 2. 在向量库/索引中做相似度检索 (top-k) │ │ 3. 召回若干上下文片段 (contexts) │ └─────────────────────────────────────────────┘ │ 产出retrieved_contexts ▼ ┌─────────────────────────────────────────────┐ │ 生成段 (Generation) │ │ 4. 把 (问题 上下文) 拼成 prompt │ │ 5. 交给 LLM 生成回答 (answer) │ └─────────────────────────────────────────────┘ │ ▼ 最终答案 (answer)关键字段事实一个最小 RAG 样本至少包含三要素——question问题、retrieved_contexts检索段召回的上下文、answer生成段产出的答案。这三者正是后续所有 RAGAS 指标的计算输入。第 2 章会正式引入SingleTurnSample等数据结构。1.1 分节小结RAG 检索段 生成段 的两段式架构用外部上下文约束 LLM 的作答。质量风险分布在两段上下文找得不准与答案编得不对都会拖垮最终结果。评估的最小输入就是(question, contexts, answer)三元组。1.2 为什么 RAG 难评估RAG 看似能跑出答案但要科学地判断它答得好不好却异常困难。根因有四个1) 幻觉Hallucination——生成段的天敌事实LLM 可能在上下文中没有依据时仍然自信地编造事实、数字或引用。评估结果若只看答案通顺与否会完全漏掉这类错误。2) 检索质量参差——检索段的暗病事实召回的上下文可能不相关噪声、不完整该查的没查到、或排序错位关键内容排在 top-k 之外。这些不会让系统报错却会悄悄拉低答案质量。3) 端到端耦合——问题藏在哪一段事实 观点一个坏答案可能是检索召回错了导致也可能是检索没问题但生成段没用好。若只看端到端最终答案你无法定位该优化检索还是优化生成——而定位恰恰是改进的前提。观点评估的首要目的不是打一个总分而是分诊——先把问题归因到检索段还是生成段再动手。4) 缺乏标准答案事实RAG 多用于开放域问答许多问题没有唯一正确文本reference / ground truth。传统依赖人工标注标准答案再做精确匹配的评估方法在此要么成本爆炸要么根本不可行。这正是 RAGAS 提出reference-free无参考评估的动机详见第 2 章与论文 arXiv:2309.15217。1.2 分节小结幻觉、检索质量不稳、端到端耦合难归因、缺标准答案是 RAG 评估的四道坎。评估不只是给分数更是分诊——要能区分检索段与生成段各自的问题。传统标标准答案再比对的范式在 RAG 上既不经济也常不可行。1.3 评估 RAG 的常见维度名词速览下面先给出本教程会反复使用的核心指标名词。本节只做先认识第 3–4 章会逐一拆解计算口径、所需输入与适用场景。先记住它们分别守在系统的哪一段生成侧守在 Generation忠实度 Faithfulness答案是否只说了上下文里有的事。分数低 在胡编幻觉是抑制幻觉的核心指标。答案相关性 Answer Relevancy答案是否切题、直接回应了问题而非答非所问或啰嗦绕圈。检索侧守在 Retrieval上下文精度 Context Precision排在前面的上下文是否更相关衡量排序质量越大越好。上下文召回 Context Recall回答问题所需的事实是否都被召回了衡量覆盖度越大越好。上下文相关性 Context Relevancy / 噪声敏感度召回内容是否干净、相关无关噪声是否把模型带偏。事实以上指标的输入都建立在 1.1 提到的(question, contexts, answer)三元组之上其中 Context Recall 等检索侧指标通常需要标准答案/事实清单作为参考而 Faithfulness、Answer Relevancy 多为 reference-free无参考。具体取舍在第 3–4 章展开。1.3 分节小结常见评估维度按守在系统哪一段分两类生成侧Faithfulness、Answer Relevancy与检索侧Context Precision、Context Recall、Context Relevancy。这些名词就是后续十章的基本词汇表本章只需混个脸熟。记住一个规律生成侧多无参考、检索侧常需参考——这是第 3–4 章的核心分水岭。1.4 本教程定位、读者对象与学习路径读者对象事实 观点事实本教程面向第一次系统接触 LLM/RAG 评估的工程师或技术负责人。观点如果你已能熟练跑通 RAGAS 的完整流水线可直接跳到第 9–11 章的规模化与落地部分但第 1–2 章的指标诊断语义仍建议通读避免陷入只看总分的误区。教程定位事实本教程是 RAGAS v0.4.3 的实战导向教程主线遵循四段进阶阶段涵盖章节目标理论铺垫第 1–2 章建立为什么评估的心智模型搞懂 RAGAS 的世界观与指标地图基础实践第 3–6 章逐个吃透指标生成类 / 检索类建数据集跑通第一次评估闭环高级应用实践第 7–9 章合成测试数据、自定义指标与提示词调优、大规模评测工程化生态拓展第 10–11 章集成 CI/CD 自动化、团队落地路线图与治理11 章地图一张图看到尾第 1 章 · 为什么评估 RAG本教程开篇/引言建立检索生成两段式心智模型解释为何单看端到端答案会掩盖问题并交付本章导航。第 2 章 · 核心概念、架构与指标全景认识 Sample/Dataset、理解 RAGAS 的 reference-free 思想拿到完整指标地图。第 3 章 · 生成类指标拆开 Faithfulness、Answer Relevancy 等理解生成段诊断语义多为 reference-free。第 4 章 · 检索类与端到端指标拆开 Context Precision / Recall、Factual Correctness 等常需 reference。第 5 章 · 构建评估数据集从真实日志、专家标注到合成数据讲清黄金集的来源与质量门槛。第 6 章 · 第一次评估跑通数据集 指标实例的最小闭环拿到第一组成分数。第 7 章 · 合成测试数据生成用TestsetGenerator从自有知识库批量造题解决没有现成标注的冷启动。第 8 章 · 自定义指标与提示词调优自定义Metric、改写 judge 提示词把业务规则沉淀成可量化分数。第 9 章 · 大规模评测围绕成本、并发、RunConfig、缓存与可复现性做工程级评测。第 10 章 · 集成与自动化把评测接入 CI/CD让每次改动都有质量门禁兜底。第 11 章 · 总结与团队落地路线图复盘主线给可勾选的落地清单、五阶段路线图与常见陷阱。观点如果时间有限第 2 章概念 第 3–4 章指标语义 第 6 章跑通闭环是必读中的必读。诊断能力比漂亮的报告更重要。1.4 分节小结读者首次系统接触 RAG 评估的工程师/技术负责人教程重实战、以 v0.4.3 为口径。主线四段理论铺垫1–2→ 基础实践3–6→ 高级应用实践7–9→ 生态拓展10–11。建议读法先建立指标诊断心智再跑通闭环最后谈规模化与团队落地。1.5 先修知识与环境准备先修知识事实了解 LLM 的基本概念prompt、token、对话/问答。知道什么是向量检索/Embedding、向量库如 FAISS、pgvector 等的大致作用即可——不需要你会训练模型。有基本的 Python≥3.9与pip使用能力。安装版本口径v0.4.3事实本教程统一锁定RAGAS v0.4.3PyPI 发布GitHub 仓库vibrantlabsai/ragas。# 依赖与版本本教程统一口径pipinstallragas0.4.3 pipinstallopenaiAPI Key 准备事实RAGAS 多数指标靠一个裁判 LLMLLM-as-a-judge打分因此需要准备一个 LLM 提供方的 API Key。以 OpenAI 为例exportOPENAI_API_KEYsk-...# 替换为你的真实 key观点入门阶段用gpt-4o-mini这类高性价比模型当裁判即可成本可控上线前若对裁判质量要求高再评估升级到更强的模型。最小可运行的环境检查片段下面这段代码只做环境自检不跑任何真实评估用于确认ragas 装好了、版本对、API key 读得到、OpenAI 客户端能初始化# 依赖ragas0.4.3, openai# 用途仅做环境自检不发起评估请求importosimportragasfromopenaiimportOpenAI# 1) 版本核对事实本教程锁定 0.4.3print(ragas version:,ragas.__version__)assertragas.__version__0.4.3,版本不符请 pip install ragas0.4.3# 2) API key 是否就绪api_keyos.getenv(OPENAI_API_KEY)assertapi_key,请先 export OPENAI_API_KEYprint(OPENAI_API_KEY detected:,api_key[:6]…)# 3) OpenAI 客户端可初始化不真正发请求clientOpenAI()print(OpenAI client ready:,clientisnotNone)print(✅ 环境检查通过可以进入第 2 章。)运行后应看到ragas version: 0.4.3与✅ 环境检查通过。重要提示v0.4.3 的 API 处于演进期事实 观点RAGAS 在 v0.4 处于API 演进期不同文档对同一接口的弃用/移除表述并不完全一致。本章先给三条以安装版本为准的原则避免你后续踩坑第 2 章 2.5 还会展开evaluate()legacy在 v0.4.3 会触发DeprecationWarning官方对何时移除表述不一。实践建议以你实际安装的版本为准先实测再下结论。ragas.metrics小写单例如ragas.metrics.faithfulness官方明确计划在v1.0 移除请勿在新代码中依赖。推荐路线新代码优先用collections 类式 API如from ragas.metrics.collections import Faithfulness并显式注入llm/embeddings。观点一句话原则——文档会说计划移除但只有你机器上的版本说了算。任何涉及版本的行为先pip show ragas看版本再小样实测。1.5 分节小结先修LLM/向量检索基础概念 Python≥3.9本教程锁定ragas0.4.3与openai。准备安装依赖、配置OPENAI_API_KEY、用上面的自检片段确认环境。牢记v0.4.3 API 在演进期优先 collections 类式 API弃用接口以实测为准。1.6 本章小结RAG 是检索段 生成段的两段式架构最小评估输入是(question, contexts, answer)三元组。它难评估根因有四幻觉、检索质量参差、端到端耦合难归因、缺乏标准答案。常见评估维度分两类生成侧Faithfulness、Answer Relevancy与检索侧Context Precision、Context Recall、Context Relevancy本章只做名词速览第 3–4 章展开。本教程 11 章主线理论铺垫1–2→ 基础实践3–6→ 高级应用实践7–9→ 生态拓展10–11读者是首次系统接触 RAG 评估的工程师/技术负责人。环境已锁定 v0.4.3v0.4 处于 API 演进期优先 collections 类式 API弃用接口以实测为准。动手检查点执行pip show ragas确认版本号为0.4.3若不是运行pip install ragas0.4.3。运行 1.5 的环境检查片段确认输出✅ 环境检查通过。打开官方仓库vibrantlabsai/ragas的 README对照 1.3 的名词速览勾出你当前最关心的 3 个指标——它们就是你后续选型与实操的出发点。用一句话向同事解释什么是 RAG参考答案先检索外部资料、再让 LLM 基于资料作答的开卷式生成架构。能讲清楚说明 1.1 已达标。 你的 RAG 为什么总在「一本正经地胡说」（1/11）
第 1 章 为什么需要评估 RAG以及本教程怎么读本章定位理论铺垫与导航。在进入任何代码、任何指标之前我们先把为什么非评估 RAG 不可这件事讲清楚再给你一张能一直用到第 11 章的学习地图并帮你把环境一次性装对。读完本章你应当能向同事用一句话解释 RAG、说清它难评估的根源并知道接下来十章该按什么顺序读。名词约定全教程统一官方仓库现地址vibrantlabsai/ragas旧镜像explodinggradients/ragas内容一致只是旧组织路径引用时可标注旧路径。官方文档https://docs.ragas.io/旧域名ragas.in已迁移/重定向至此。核心论文RAGAS: Automated Evaluation of Retrieval Augmented GenerationEs et al., 2023arXiv:2309.15217。PyPI 发布页https://pypi.org/project/ragas/。事实 / 观点 标注说明本章用「事实」表示可经官方文档、仓库或论文核验的客观陈述用「观点」表示基于经验的建议请结合你团队实际判断。1.1 什么是 RAG检索增强生成一句话定义事实RAGRetrieval-Augmented Generation检索增强生成是一种让大语言模型LLM在生成回答时先从外部知识库检索相关片段作为上下文再基于这些上下文生成答案的架构范式。它把模型凭记忆作答变成了模型先查资料再作答从而在不需要重训模型的前提下缓解幻觉、注入私有/最新知识。观点如果把纯 LLM 比作闭卷考试RAG 就是开卷考试——但开卷不等于答得对关键在于书翻得准不准、抄得对不对。架构两段式Retrieval → GenerationRAG 在逻辑上天然分成**检索段Retrieval与生成段Generation**两段二者各承担一半的质量风险用户提问 (question) │ ▼ ┌─────────────────────────────────────────────┐ │ 检索段 (Retrieval) │ │ 1. 把问题向量化 (query embedding) │ │ 2. 在向量库/索引中做相似度检索 (top-k) │ │ 3. 召回若干上下文片段 (contexts) │ └─────────────────────────────────────────────┘ │ 产出retrieved_contexts ▼ ┌─────────────────────────────────────────────┐ │ 生成段 (Generation) │ │ 4. 把 (问题 上下文) 拼成 prompt │ │ 5. 交给 LLM 生成回答 (answer) │ └─────────────────────────────────────────────┘ │ ▼ 最终答案 (answer)关键字段事实一个最小 RAG 样本至少包含三要素——question问题、retrieved_contexts检索段召回的上下文、answer生成段产出的答案。这三者正是后续所有 RAGAS 指标的计算输入。第 2 章会正式引入SingleTurnSample等数据结构。1.1 分节小结RAG 检索段 生成段 的两段式架构用外部上下文约束 LLM 的作答。质量风险分布在两段上下文找得不准与答案编得不对都会拖垮最终结果。评估的最小输入就是(question, contexts, answer)三元组。1.2 为什么 RAG 难评估RAG 看似能跑出答案但要科学地判断它答得好不好却异常困难。根因有四个1) 幻觉Hallucination——生成段的天敌事实LLM 可能在上下文中没有依据时仍然自信地编造事实、数字或引用。评估结果若只看答案通顺与否会完全漏掉这类错误。2) 检索质量参差——检索段的暗病事实召回的上下文可能不相关噪声、不完整该查的没查到、或排序错位关键内容排在 top-k 之外。这些不会让系统报错却会悄悄拉低答案质量。3) 端到端耦合——问题藏在哪一段事实 观点一个坏答案可能是检索召回错了导致也可能是检索没问题但生成段没用好。若只看端到端最终答案你无法定位该优化检索还是优化生成——而定位恰恰是改进的前提。观点评估的首要目的不是打一个总分而是分诊——先把问题归因到检索段还是生成段再动手。4) 缺乏标准答案事实RAG 多用于开放域问答许多问题没有唯一正确文本reference / ground truth。传统依赖人工标注标准答案再做精确匹配的评估方法在此要么成本爆炸要么根本不可行。这正是 RAGAS 提出reference-free无参考评估的动机详见第 2 章与论文 arXiv:2309.15217。1.2 分节小结幻觉、检索质量不稳、端到端耦合难归因、缺标准答案是 RAG 评估的四道坎。评估不只是给分数更是分诊——要能区分检索段与生成段各自的问题。传统标标准答案再比对的范式在 RAG 上既不经济也常不可行。1.3 评估 RAG 的常见维度名词速览下面先给出本教程会反复使用的核心指标名词。本节只做先认识第 3–4 章会逐一拆解计算口径、所需输入与适用场景。先记住它们分别守在系统的哪一段生成侧守在 Generation忠实度 Faithfulness答案是否只说了上下文里有的事。分数低 在胡编幻觉是抑制幻觉的核心指标。答案相关性 Answer Relevancy答案是否切题、直接回应了问题而非答非所问或啰嗦绕圈。检索侧守在 Retrieval上下文精度 Context Precision排在前面的上下文是否更相关衡量排序质量越大越好。上下文召回 Context Recall回答问题所需的事实是否都被召回了衡量覆盖度越大越好。上下文相关性 Context Relevancy / 噪声敏感度召回内容是否干净、相关无关噪声是否把模型带偏。事实以上指标的输入都建立在 1.1 提到的(question, contexts, answer)三元组之上其中 Context Recall 等检索侧指标通常需要标准答案/事实清单作为参考而 Faithfulness、Answer Relevancy 多为 reference-free无参考。具体取舍在第 3–4 章展开。1.3 分节小结常见评估维度按守在系统哪一段分两类生成侧Faithfulness、Answer Relevancy与检索侧Context Precision、Context Recall、Context Relevancy。这些名词就是后续十章的基本词汇表本章只需混个脸熟。记住一个规律生成侧多无参考、检索侧常需参考——这是第 3–4 章的核心分水岭。1.4 本教程定位、读者对象与学习路径读者对象事实 观点事实本教程面向第一次系统接触 LLM/RAG 评估的工程师或技术负责人。观点如果你已能熟练跑通 RAGAS 的完整流水线可直接跳到第 9–11 章的规模化与落地部分但第 1–2 章的指标诊断语义仍建议通读避免陷入只看总分的误区。教程定位事实本教程是 RAGAS v0.4.3 的实战导向教程主线遵循四段进阶阶段涵盖章节目标理论铺垫第 1–2 章建立为什么评估的心智模型搞懂 RAGAS 的世界观与指标地图基础实践第 3–6 章逐个吃透指标生成类 / 检索类建数据集跑通第一次评估闭环高级应用实践第 7–9 章合成测试数据、自定义指标与提示词调优、大规模评测工程化生态拓展第 10–11 章集成 CI/CD 自动化、团队落地路线图与治理11 章地图一张图看到尾第 1 章 · 为什么评估 RAG本教程开篇/引言建立检索生成两段式心智模型解释为何单看端到端答案会掩盖问题并交付本章导航。第 2 章 · 核心概念、架构与指标全景认识 Sample/Dataset、理解 RAGAS 的 reference-free 思想拿到完整指标地图。第 3 章 · 生成类指标拆开 Faithfulness、Answer Relevancy 等理解生成段诊断语义多为 reference-free。第 4 章 · 检索类与端到端指标拆开 Context Precision / Recall、Factual Correctness 等常需 reference。第 5 章 · 构建评估数据集从真实日志、专家标注到合成数据讲清黄金集的来源与质量门槛。第 6 章 · 第一次评估跑通数据集 指标实例的最小闭环拿到第一组成分数。第 7 章 · 合成测试数据生成用TestsetGenerator从自有知识库批量造题解决没有现成标注的冷启动。第 8 章 · 自定义指标与提示词调优自定义Metric、改写 judge 提示词把业务规则沉淀成可量化分数。第 9 章 · 大规模评测围绕成本、并发、RunConfig、缓存与可复现性做工程级评测。第 10 章 · 集成与自动化把评测接入 CI/CD让每次改动都有质量门禁兜底。第 11 章 · 总结与团队落地路线图复盘主线给可勾选的落地清单、五阶段路线图与常见陷阱。观点如果时间有限第 2 章概念 第 3–4 章指标语义 第 6 章跑通闭环是必读中的必读。诊断能力比漂亮的报告更重要。1.4 分节小结读者首次系统接触 RAG 评估的工程师/技术负责人教程重实战、以 v0.4.3 为口径。主线四段理论铺垫1–2→ 基础实践3–6→ 高级应用实践7–9→ 生态拓展10–11。建议读法先建立指标诊断心智再跑通闭环最后谈规模化与团队落地。1.5 先修知识与环境准备先修知识事实了解 LLM 的基本概念prompt、token、对话/问答。知道什么是向量检索/Embedding、向量库如 FAISS、pgvector 等的大致作用即可——不需要你会训练模型。有基本的 Python≥3.9与pip使用能力。安装版本口径v0.4.3事实本教程统一锁定RAGAS v0.4.3PyPI 发布GitHub 仓库vibrantlabsai/ragas。# 依赖与版本本教程统一口径pipinstallragas0.4.3 pipinstallopenaiAPI Key 准备事实RAGAS 多数指标靠一个裁判 LLMLLM-as-a-judge打分因此需要准备一个 LLM 提供方的 API Key。以 OpenAI 为例exportOPENAI_API_KEYsk-...# 替换为你的真实 key观点入门阶段用gpt-4o-mini这类高性价比模型当裁判即可成本可控上线前若对裁判质量要求高再评估升级到更强的模型。最小可运行的环境检查片段下面这段代码只做环境自检不跑任何真实评估用于确认ragas 装好了、版本对、API key 读得到、OpenAI 客户端能初始化# 依赖ragas0.4.3, openai# 用途仅做环境自检不发起评估请求importosimportragasfromopenaiimportOpenAI# 1) 版本核对事实本教程锁定 0.4.3print(ragas version:,ragas.__version__)assertragas.__version__0.4.3,版本不符请 pip install ragas0.4.3# 2) API key 是否就绪api_keyos.getenv(OPENAI_API_KEY)assertapi_key,请先 export OPENAI_API_KEYprint(OPENAI_API_KEY detected:,api_key[:6]…)# 3) OpenAI 客户端可初始化不真正发请求clientOpenAI()print(OpenAI client ready:,clientisnotNone)print(✅ 环境检查通过可以进入第 2 章。)运行后应看到ragas version: 0.4.3与✅ 环境检查通过。重要提示v0.4.3 的 API 处于演进期事实 观点RAGAS 在 v0.4 处于API 演进期不同文档对同一接口的弃用/移除表述并不完全一致。本章先给三条以安装版本为准的原则避免你后续踩坑第 2 章 2.5 还会展开evaluate()legacy在 v0.4.3 会触发DeprecationWarning官方对何时移除表述不一。实践建议以你实际安装的版本为准先实测再下结论。ragas.metrics小写单例如ragas.metrics.faithfulness官方明确计划在v1.0 移除请勿在新代码中依赖。推荐路线新代码优先用collections 类式 API如from ragas.metrics.collections import Faithfulness并显式注入llm/embeddings。观点一句话原则——文档会说计划移除但只有你机器上的版本说了算。任何涉及版本的行为先pip show ragas看版本再小样实测。1.5 分节小结先修LLM/向量检索基础概念 Python≥3.9本教程锁定ragas0.4.3与openai。准备安装依赖、配置OPENAI_API_KEY、用上面的自检片段确认环境。牢记v0.4.3 API 在演进期优先 collections 类式 API弃用接口以实测为准。1.6 本章小结RAG 是检索段 生成段的两段式架构最小评估输入是(question, contexts, answer)三元组。它难评估根因有四幻觉、检索质量参差、端到端耦合难归因、缺乏标准答案。常见评估维度分两类生成侧Faithfulness、Answer Relevancy与检索侧Context Precision、Context Recall、Context Relevancy本章只做名词速览第 3–4 章展开。本教程 11 章主线理论铺垫1–2→ 基础实践3–6→ 高级应用实践7–9→ 生态拓展10–11读者是首次系统接触 RAG 评估的工程师/技术负责人。环境已锁定 v0.4.3v0.4 处于 API 演进期优先 collections 类式 API弃用接口以实测为准。动手检查点执行pip show ragas确认版本号为0.4.3若不是运行pip install ragas0.4.3。运行 1.5 的环境检查片段确认输出✅ 环境检查通过。打开官方仓库vibrantlabsai/ragas的 README对照 1.3 的名词速览勾出你当前最关心的 3 个指标——它们就是你后续选型与实操的出发点。用一句话向同事解释什么是 RAG参考答案先检索外部资料、再让 LLM 基于资料作答的开卷式生成架构。能讲清楚说明 1.1 已达标。