前一篇討論「組出完整 Retrieval Pipeline：Fine-tune + Hybrid + Rerank」，這篇聚焦「最後才接 RAG：先做最小 Generation Baseline」，並沿用同一組輸入、環境與判讀規則，避免只做名詞比較。

今天要回答的問題

在固定 retrieved context 下建立生成 baseline，強制 citation／context-only 回答，避免生成層掩蓋 retrieval 問題。

工程邊界

RAG Generation 要和 Retrieval 分層評估

先建立最小 generation baseline：固定 LLM、prompt、temperature 與 context 組裝方式。再觀察 answer correctness、faithfulness／groundedness、citation correctness，以及沒有證據時是否能 abstain。

如果 retrieval 已經找回正確文件但回答錯，問題在 generation；如果 evidence 根本沒進 Top-K，優化 prompt 通常救不了。這個分層能避免在錯的地方調參。

一個可以直接重現的起點

生成層要限制責任

為了不讓 LLM 把 retrieval 問題掩蓋掉，RAG baseline 應固定 prompt、temperature 與 context，只允許根據提供證據回答，並要求 citation。當 Top-K 沒有足夠證據時，系統應能拒答，而不是靠語言模型補完。

為固定 Context 建立生成基線

這裡以「在固定 retrieval context 上跑最小 generation baseline」為比較目標，只保留 baseline、candidate 與逐項差值；evaluate 再接到實際評測程式。

METRICS = ('answer latency', 'token usage', 'retrieval trace', 'empty context')
baseline = evaluate("baseline", metrics=METRICS)
candidate = evaluate("candidate", metrics=METRICS)

for metric in METRICS:
    delta = candidate[metric] - baseline[metric]
    print(f"{metric}: {delta:+.4f}")

驗證與落地方式

驗證可從「在固定 retrieval context 上跑最小 generation baseline」開始。比較前先凍結 corpus、query set、qrels、資料切分與評測程式，確保實驗只改動目標元件。若 index、候選數或前處理同時改變，最後的分數差異就無法歸因，容易把資料變動誤認成模型進步。

這篇優先比較：answer latency、token usage、retrieval trace、empty context。除了整體平均，也要保留逐題結果與 query 類型，分辨改善集中在哪些情境、哪些案例反而退步。品質指標還要和 latency、記憶體、索引大小或單次成本一起閱讀，才能判斷提升是否值得帶進 production。

常見誤判

• 只公布最高分，沒有保留 baseline、負面結果與信賴區間，難以判斷改善是否穩定。
• 在相同資料上反覆調參又回頭評分，test set 會逐漸變成隱性的 training set。
• 只看 retrieval 或 generation 的單層指標，忽略錯誤可能沿 pipeline 傳遞，也可能被後段暫時掩蓋。

上線前檢查

每次實驗都應能追回資料版本、模型、index、config 與評測程式版本。上線前再以未參與調參的案例做一次回歸測試，並保留最差案例供 error analysis。若品質提升不足以抵銷延遲、成本或維護複雜度，維持較簡單的 baseline 通常更可靠。

如何閱讀結果

結果應先看逐題變化，再看整體分數。若平均值上升，卻只來自少數容易題，或關鍵 query 類型持續退步，仍不適合直接替換 baseline。每個明顯升降的案例都應回到候選文件、排名與輸入特徵，確認變化符合原先假設。

離線評測通過後，還要檢查線上條件：新文件加入後是否需要重建 index、cache 是否造成舊結果、查詢分布是否漂移。只有資料生命週期也能被管理，實驗中的品質提升才可能持續。

結果判讀

判讀不只看最大或最漂亮的數字。這一天真正要回答的是：生成層不能掩蓋 retrieval 失敗。

如果核心指標改善，但錯誤率、尾端延遲、資源成本或恢復能力變差，這代表取捨，而不是無條件進步。相反地，沒有改善也不是無效結果；至少能排除一條看似合理、實際上不值得增加複雜度的路。

今天的結論

今天的工程判斷是：生成層不能掩蓋 retrieval 失敗。無論結果支持或否定原本假設，都必須保留完整條件，才能和下一天的實驗串在一起。

下一篇將處理：Groundedness、Citation、Abstention：RAG 不只看答對沒。

參考資料

• BEIR Benchmark
• Sentence Transformers Documentation
• ir-measures
• RAGAS Documentation