人人都会AI编程

召回率（Recall）、精确率（Precision）、MRR、NDCG

更新时间：2026-07-12

评估检索质量的核心指标

在 RAG 系统中，检索环节的质量直接决定了最终回答的准确性与可用性。为了衡量检索效果，需要引入几个在信息检索领域广泛使用的量化指标。它们各自关注检索性能的不同侧面，组合使用能全面反映系统是否“找得全、找得准、排得对”。

1. 召回率（Recall）—— 该找的，找到了多少

定义：召回率衡量的是在所有相关文档中，检索系统成功返回的比例。

计算公式：

召回率 = 检出的相关文档数 / 全集中所有相关文档数

通俗理解：假设某问题相关的正确答案共有 5 个文档片段，系统只返回了其中 3 个（可能还夹杂了不相关的），那么召回率就是 3/5 = 60%。它反映的是“覆盖面”有多广，是否遗漏了重要信息。

实用意义：

  • 在客服、合同审核等场景，遗漏关键条款可能造成严重误导，召回率需要尽量提高。
  • 召回率 = 1 表示所有正确答案都被检索出来了，但此时检索结果中可能夹杂大量无关文档（即精确率可能很低）。

2. 精确率（Precision）—— 找出来的，有多少是真正有用的

定义：精确率衡量的是在所有被检索出的文档中，真正相关的文档占比。

计算公式：

精确率 = 检出的相关文档数 / 检出的总文档数

通俗理解：系统返回了 10 个片段，其中有 4 个是真正相关的，6 个是无关的，精确率就是 40%。它反映的是检索结果“纯净度”，也就是用户看到的噪声有多低。

实用意义：

  • 当检索结果会直接填充留给模型的上下文窗口时，精确率很重要：无关内容不仅浪费 Token，还可能干扰模型判断。
  • 提升精确率通常需要更好的嵌入模型、更细粒度的分块策略和相关性阈值过滤。

召回率与精确率往往是权衡关系：多返回一些文档通常能提升召回率，但也可能拉低精确率。实际项目中需要根据业务容忍度（宁愿多找一点，还是尽量精准）来平衡这两者。

3. MRR（Mean Reciprocal Rank）—— 第一个相关结果排在第几位

定义：平均倒数排名（MRR）衡量的是检索系统将第一个相关文档排在列表前部的能力。它只关心与问题相关的文档第一次出现的位置。

计算方式：

  • 对单个查询，找到第一个相关文档的排名 rank，取其倒数 1/rank。如果前 k 个结果里没有相关文档，该查询得分为 0。
  • 对所有查询的这些倒数取平均值，即得到 MRR。

通俗理解：如果用户的理想文档总是排在第一位，MRR 为 1；如果经常需要翻到第 3、第 5 位才能看到第一个相关结果，MRR 就会显著降低。它非常契合那些“用户只看第一个答案”的场景，如 FAQ 问答、搜索框自动补全。

实用意义：

  • 在 RAG 系统里，经常只把 top 1 或 top 3 的检索结果送给 LLM，此时 MRR 高度反映实际生成体验的质量。
  • 优化 MRR 通常意味着需要改善语义匹配精度和重排序策略，让最吻合的片段尽量排在首位。

4. NDCG（Normalized Discounted Cumulative Gain）—— 整体排序质量有多好

定义：归一化折损累计增益（NDCG）是一个更精细的指标，它不仅仅看相关是否出现，还考虑相关性的等级（高度相关、部分相关、不相关）以及文档的排列顺序。

核心思想：

  • 累积增益（CG）：将搜索结果中每个文档的相关性得分（例如 3=完美，2=高度相关，1=部分相关，0=无关）简单相加。
  • 折损累积增益（DCG）：给靠后位置的文档相关性得分乘一个递减权重（如 1/log₂(rank+1)），因为用户很少耐心翻看后面的结果，相关性价值被折扣。
  • 归一化（NDCG）：将系统排序的 DCG 除以理想排序（所有文档按相关性从高到低排列）的 DCG，得到归一化值，范围在 0~1 之间，便于跨查询比较。

通俗理解：NDCG 关心以下三个问题：

  1. 返回的内容是不是相关？（相关性得分）
  2. 高度相关的内容是不是排在前面？（折损机制）
  3. 当前排序跟最完美的排序差距多大？（归一化）

实用意义：

  • 当检索结果以列表形式呈现给用户（或作为模型上下文的多片段排序）时，NDCG 是综合性最强的指标。
  • 它能够评估多级相关性，而不仅仅是二元（相关/不相关），因此适合那些“有些片段很有用，有些只是沾边”的复杂知识库场景。
  • 优化 NDCG 通常会推动引入重排序（re‑ranker）模型，利用更复杂的匹配信号提升整体排序质量。

5. 在 RAG 评估中如何使用这些指标

打造一个可靠的 RAG 系统，很少依赖单一指标。常用的评估组合策略如下：

  • 阶段一：离线检索评估

准备一批带标注的问答对（问题 + 期望检索到的文档片段或编号）。计算召回率、精确率、MRR 和 NDCG，观察不同检索配置（如分块大小、top‑k、相似度阈值）下的表现，快速迭代。

  • 阶段二：端到端生成评估

结合检索结果与实际生成的答案，通过人工或自动评测（如答案正确性、是否引用正确来源）确认检索指标提升是否真正转化为回答质量的提升。很多时候 MRR 和 NDCG 的提升与最终答案质量的改善高度正相关。

  • 业务导向的取舍：
  • 如果应用强调“绝不漏掉关键信息”，应重点关注召回率；
  • 如果担心上下文窗口被无关内容稀释，可提高精确率要求；
  • 如果用户体验主要依赖第一条回答的准确性，MRR 是最好的优化目标；
  • 当需要全面优化列表排序，或者知识库包含多种不同相关度的内容，NDCG 更为合适。

通过持续跟踪这些指标，团队就能用数据而非感觉驱动检索系统的优化，从而稳定产出高质量、可信赖的 RAG 回答。