“RAG 三元组”（RAG Triad）是评估检索增强生成（RAG）系统质量的一个核心框架，主要由 TruLens 等评估工具提出并推广。它通过分析 RAG 系统中三个核心组件（提问/Query、上下文/Context、回答/Response）之间的两两关系，来衡量系统的可靠性。

这三个指标分别是：

1. 上下文相关性 (Context Relevance)
2. 真实性/有据性 (Groundedness)
3. 答案相关性 (Answer Relevance)

1. 上下文相关性 (Context Relevance)

• 连接关系： 用户提问 (Query) $\leftrightarrow$ 检索到的上下文 (Context)
• 核心问题： “检索到的内容跟用户的问题有关系吗？”
• 详细定义：
  • 衡量检索组件（Retriever）的质量。
  • 它检查检索到的文档块（Chunks）是否包含回答用户问题所需的信息。
  • 如果检索到的内容充满了无关的噪音，LLM 就很难生成正确的答案，或者会因为上下文窗口被无关信息填满而产生幻觉。
• 低分意味着： 检索系统太差，找回来的都是不相关的信息。

2. 真实性 / 有据性 (Groundedness)

• 连接关系： 检索到的上下文 (Context) $\leftrightarrow$ LLM 生成的回答 (Response)
• 核心问题： “生成的回答是基于检索到的内容吗？”
• 详细定义：
  • 衡量生成组件（Generator/LLM）对上下文的忠实程度（有时也称为 Faithfulness）。
  • 它检查回答中的每一个事实声明（Claim）是否都能在检索到的上下文中找到依据。
  • RAG 的核心目的就是抑制幻觉，如果 LLM 忽略了上下文而利用其预训练知识胡编乱造，即使答案看起来很通顺，这个指标也会很低。
• 低分意味着： 模型在产生幻觉（Hallucination），或者没有遵循给定的参考资料。

3. 答案相关性 (Answer Relevance)

• 连接关系： 用户提问 (Query) $\leftrightarrow$ LLM 生成的回答 (Response)
• 核心问题： “生成的回答真正解决用户的问题了吗？”
• 详细定义：
  • 衡量最终输出对用户意图的满足程度。
  • 一个回答可能完全基于上下文（Groundedness 高），但却答非所问。例如，用户问“怎么重置密码？”，系统回答“密码策略包含大小写字母”（这是基于上下文的事实，但没回答怎么重置）。
• 低分意味着： 回答虽然可能是事实正确的，但对用户没有帮助，偏离了问题核心。

总结图示

为了方便记忆，可以将其想象为一个三角形：

       用户提问 (Query)
          /      \
         /        \
(上下文相关性)    (答案相关性)
       /            \
      /              \
检索上下文 ---------> 生成回答
(Context)   (真实性)  (Response)

为什么这个三元组很重要？

这三个指标共同构成了一个闭环，可以帮助开发者快速定位 RAG 系统的短板：

• 如果 上下文相关性 低 $\rightarrow$ 优化检索策略（如混合检索、重排序 Rerank、调整分块大小）。
• 如果 真实性 低 $\rightarrow$ 优化 Prompt（提示词工程），降低模型温度，或更换指令遵循能力更强的模型。
• 如果 答案相关性 低 $\rightarrow$ 优化 Prompt 中的回答风格，或者检查是否检索到了错误维度的信息。