RAGASScorer
Implementiert den RAGAS-Rahmen (Retrieval Augmented Generation Assessment) für eine umfassende RAG-Bewertung. Kombiniert Antwortrelevanz, Treue, Kontextgenauigkeit und Metriken zur Kontexterinnerung.
Übersicht
Implementiert den RAGAS-Rahmen (Retrieval Augmented Generation Assessment) für eine umfassende RAG-Bewertung. Kombiniert Antwortrelevanz, Treue, Kontextgenauigkeit und Metriken zur Kontexterinnerung.
Anwendungsfälle
- RAG-basierte Frage-Antwort-Systeme
Funktionsweise
Dieser Scorer evaluiert Antworten mit LLM-as-Judge-Technologie. Ein großes Sprachmodell erhält konkrete Evaluierungskriterien und die zu bewertenden Inhalte. Anschließend wird sein Urteil analysiert, um einen Score und eine ausführliche Begründung zu erzeugen.
Eingabeschema
| Parameter | Typ | Erforderlich | Beschreibung |
|---|---|---|---|
| output_text | str | Ja | The generated answer |
| input_text | str | Ja | The original query |
| context | dict | list[str] | Ja | Retrieved context/chunks |
| expected_output | str | Nein | Ground truth answer |
Ausgabeschema
| Feld | Typ | Beschreibung |
|---|---|---|
| score | float | Weighted composite RAGAS score (0-10) |
| passed | bool | True if meets threshold |
| reasoning | str | Combined analysis |
| metadata.answer_relevancy | float | Answer relevancy sub-score |
| metadata.faithfulness | float | Faithfulness sub-score |
| metadata.context_precision | float | Context precision sub-score |
| metadata.context_recall | float | Context recall sub-score |
Score-Interpretation
Standardschwellenwert: 7/10
Verwandte Scorer
ContextualPrecisionScorer
Misst die Precision des abgerufenen Kontexts anhand des Anteils der Chunks, die tatsächlich zur Bean...
RAGAnswerRelevancyScorer
Bewertet, wie relevant die generierte Antwort für die Eingabefrage ist. Bewertet, ob die Antwort dir...
RAGFaithfulnessScorer
Misst, wie treu die generierte Antwort zum gegebenen Kontext ist. Kritische RAG-Metrik, die bewertet...
RAGAggregateRAGScorer
Kombiniert mehrere Retrieval-Scorer mit gewichtetem Durchschnitt für eine umfassende RAG-Bewertung. ...
Häufig gestellte Fragen
Wann sollte ich diesen Scorer verwenden?
Verwenden Sie RAGASScorer, wenn Sie die Aspekte rag and llm-judge Ihrer KI-Ausgaben evaluieren möchten. Der Scorer eignet sich besonders für rag-basierte frage-antwort-systeme.
Warum benötigt dieser Scorer keine erwartete Ausgabe?
Dieser Scorer evaluiert Qualitätsaspekte, für die kein Vergleich mit einer Referenzantwort erforderlich ist. System-Prompt und Kontext dienen als implizite Ground Truth.
Kann ich den Schwellenwert anpassen?
Ja, der Standardschwellenwert von 7 lässt sich bei der Konfiguration des Scorers anpassen.
Kurzinfo
Möchten Sie RAGASScorer ausprobieren?
Starten Sie die Evaluierung Ihrer KI-Agenten mit der umfassenden Scorer-Bibliothek von Noveum.ai.
Weitere Scorer entdecken
Entdecken Sie 112 kalibrierte LLM-as-Judge-Scorer für umfassende KI-Evaluierungen