昨天介紹了 RAGAs 當中的核心指標了，今天是主要討論跟總結。
其實昨天只提到了最主要的核心部分，不過還有很多可以去仔細翻閱查看，這邊就留給大家學習了，絕對不是怕到時候篇幅不夠我做 AI Agent ><

複習一下：

• 上下文相關性（CR）＝找對資料了沒？
• 答案真實性（F）＝有沒有亂掰？
• 答案相關性（AR）＝有沒有答到問題點？

其實這些指標都是相互有關聯的，高「上下文相關性」通常會帶來更好的「答案真實性」，因為系統能取得更切題的資訊。但是，高「答案真實性」並不一定保證高「答案相關性」。

－－舉例來說－－

【問題一】
老實回答但不回答問題（F 高、AR 低）：照抄檢索到的內容，沒有直接回答問題。

問：「決賽是哪一天？」
答：「比賽地點在中國大陸、本次賽事是第 15 屆……」
→ 都是真的（真實性高），但沒回到日期（相關性低）。

【問題二】
看似在回答問題但實則亂掰（AR 高、F 低）：系統為了「答到題」給出很像正解的句子，卻沒有支持這論點的上下文（甚至是錯的）。

問：「他拿過幾次世界冠軍？」
答：上下文寫「5 次」，答案卻說「4 次」。
→ 表面切題（相關性高），但不忠實於檢索內容（真實性低）＝幻覺。

所以，實務上要一起看 CR / F / AR；實際要用哪些、權重怎麼配，取決於你的應用情境與需求。

其實我們都著重在於 RAGAs 這個框架，其實還有很多新的評估框架被提出除了 RAGAs 外還有一個也比較廣為人知的是 ARES，如果有機會可能之後會解說跟實作，目前我的計畫是先實作 RAGAs，明天應該會放上實作環節~~~