近年來，大型語言模型（Large Language Model, LLM）的能力快速提升，已能處理複雜的自然語言任務並生成流暢的回應。然而，此類模型的知識內容受限於訓練資料的時間範圍，無法反映訓練截止後的資訊，且在缺乏足夠依據的情況下，仍可能產生語意通順卻與事實不符的回應，即所謂的幻覺（Hallucination）問題。

檢索增強生成（Retrieval-Augmented Generation, RAG）作為因應上述限制而提出的方法，其核心概念在於不直接修改模型參數，而是於生成回應前，先從外部知識來源中檢索與問題相關的內容，並將其作為生成依據，藉此提升回應的準確性與時效性。

然而，RAG 系統的建置雖已具備成熟的工具與框架支援，其效能評估卻仍是實務上普遍缺乏系統性方法的環節。由於 RAG 的處理流程涉及檢索與生成兩個階段，任一階段的缺陷皆可能導致最終輸出品質下降，且兩者的誤差往往相互掩蓋，使問題根源難以判斷。缺乏明確的評測指標，將使系統調整（如更換 Embedding 模型、調整切分策略、改變檢索方式）缺乏客觀依據，難以驗證其成效。

有鑑於此，本系列文章希望能建立一套完整的脈絡，說明 RAG 的運作原理與評測方法。