RAGAS框架测试实战-20260729TOC1.创建项目目录、创建虚拟环境、安装依赖包1创建目录、创建虚拟环境并生效# 创建一个目录 mkdir ragas_test # 创建虚拟环境 python -m venv .venv # 让虚拟环境生效 source .venv/bin/activate # 确认是否是你当前的文件夹下的虚拟环境生效了 echo $VIRTUAL_ENV2安装依赖包# 创建个放安装依赖目录的文件 vim requirments.txt # 将下面的核心依赖放置到该txt里 # 执行这个txt让它安装# 核心依赖必须严格指定版本 ragas0.4.3 langchain1.2.10 langchain-core1.2.16 langchain-openai1.1.10 langchain-community0.4.1 openai2.24.0 datasets4.6.1 pandas2.3.3 openpyxl3.1.5 langgraph1.0.10 # 以下依赖会自动安装无需手动指定 # pydantic2.0 # numpy1.24 # tiktoken0.6.0执行成功后新建python代码运行下确认ragas安装完成import ragas from ragas import evaluate from ragas.metrics import Faithfulness, AnswerRelevancy print(fRAGAS版本: {ragas.__version__})2.copy原博主的测试代码和测试数据集可以去原博文地址去进行复制地址在下面# 引用原博主的数据 [ { question: 什么是检索增强生成RAG, answer: RAGRetrieval-Augmented Generation是一种结合信息检索和文本生成的人工智能技术..., contexts: [ RAG是一种结合信息检索和文本生成的技术能够提高大语言模型回答问题的准确性。, 通过检索外部知识库RAG可以为模型提供最新的、领域相关的信息。, RAG技术可以减少大语言模型产生幻觉的概率提高答案的可信度。 ], ground_truth: RAGRetrieval-Augmented Generation是一种通过检索外部知识来增强大语言模型生成能力的框架... }, { question: RAG系统的主要组成部分有哪些, answer: RAG系统主要由三个核心部分组成检索器、生成器和知识库..., contexts: [ RAG系统包含检索器、生成器和知识库三个主要组件。, 检索器负责从知识库中检索相关信息通常使用向量检索或关键词检索。, 生成器基于检索到的上下文信息生成最终的答案。, 知识库可以是文档数据库、向量数据库或其他形式的信息存储系统。 ], ground_truth: RAG系统的主要组成部分包括1知识库Knowledge Base... 2检索器Retriever... 3生成器Generator... } ]3.运行拿结果4.留个疑问ragas测评的指标主要是精确率、召回率、忠实度、回答相关性、回答正确性。标准检索的精确率、召回率需要拿到知识库内所有相关文档才能计算但测评数据集没有这份全集参照Ragas是如何算出这两个数值5.郑重说明该文档参考该篇博文进行实践https://blog.csdn.net/WMXJY/article/details/158770319非常感谢
RAGAS框架测试实战-20260729TOC1.创建项目目录、创建虚拟环境、安装依赖包1创建目录、创建虚拟环境并生效# 创建一个目录 mkdir ragas_test # 创建虚拟环境 python -m venv .venv # 让虚拟环境生效 source .venv/bin/activate # 确认是否是你当前的文件夹下的虚拟环境生效了 echo $VIRTUAL_ENV2安装依赖包# 创建个放安装依赖目录的文件 vim requirments.txt # 将下面的核心依赖放置到该txt里 # 执行这个txt让它安装# 核心依赖必须严格指定版本 ragas0.4.3 langchain1.2.10 langchain-core1.2.16 langchain-openai1.1.10 langchain-community0.4.1 openai2.24.0 datasets4.6.1 pandas2.3.3 openpyxl3.1.5 langgraph1.0.10 # 以下依赖会自动安装无需手动指定 # pydantic2.0 # numpy1.24 # tiktoken0.6.0执行成功后新建python代码运行下确认ragas安装完成import ragas from ragas import evaluate from ragas.metrics import Faithfulness, AnswerRelevancy print(fRAGAS版本: {ragas.__version__})2.copy原博主的测试代码和测试数据集可以去原博文地址去进行复制地址在下面# 引用原博主的数据 [ { question: 什么是检索增强生成RAG, answer: RAGRetrieval-Augmented Generation是一种结合信息检索和文本生成的人工智能技术..., contexts: [ RAG是一种结合信息检索和文本生成的技术能够提高大语言模型回答问题的准确性。, 通过检索外部知识库RAG可以为模型提供最新的、领域相关的信息。, RAG技术可以减少大语言模型产生幻觉的概率提高答案的可信度。 ], ground_truth: RAGRetrieval-Augmented Generation是一种通过检索外部知识来增强大语言模型生成能力的框架... }, { question: RAG系统的主要组成部分有哪些, answer: RAG系统主要由三个核心部分组成检索器、生成器和知识库..., contexts: [ RAG系统包含检索器、生成器和知识库三个主要组件。, 检索器负责从知识库中检索相关信息通常使用向量检索或关键词检索。, 生成器基于检索到的上下文信息生成最终的答案。, 知识库可以是文档数据库、向量数据库或其他形式的信息存储系统。 ], ground_truth: RAG系统的主要组成部分包括1知识库Knowledge Base... 2检索器Retriever... 3生成器Generator... } ]3.运行拿结果4.留个疑问ragas测评的指标主要是精确率、召回率、忠实度、回答相关性、回答正确性。标准检索的精确率、召回率需要拿到知识库内所有相关文档才能计算但测评数据集没有这份全集参照Ragas是如何算出这两个数值5.郑重说明该文档参考该篇博文进行实践https://blog.csdn.net/WMXJY/article/details/158770319非常感谢
![[GESP202606 四级] 扫雷](http://pic.xiahunao.cn/yaotu/[GESP202606 四级] 扫雷)
