某 RAG 系统准备上线，老板问“你怎么证明这一版比上一版好”。目前手上只有几十条人工标注 QA，而团队每周都在换 prompt、换模型、调切分参数，线上还有真实流量。你会怎么搭一套评测体系，让它能支撑每周的迭代决策？请说清指标选择、数据集维护、评测成本和跨团队协作方式。

面试官在考什么

判断候选人能否把评测建成一套可支撑持续迭代的工程资产，而不是一次性验收报告。

评测

回答框架 · 前两步

1. 分层指标：检索侧 recall@k/MRR，生成侧忠实度与引用正确率，端到端任务成功率或人工评审，三者不能互相替代
2. 数据集分层与版本化：按 query 类型、难度、知识覆盖情况分层抽样，每次迭代固定使用 held-out 集，严禁用调参集做验收，并建立标注规范与争议仲裁

延伸阅读

• 从「背过」到「能选型」：原理的三层准备法

想看这个方向的整体准备路线？ 进入「NLP 与大模型」方向页

同一能力域的其他题

• RAG 的完整链路你会怎么搭？文档切分这一步，你会怎么定 chunk 大小和重叠？为什么？
• 大模型幻觉你会怎么治理？请区分"知识型幻觉"和"指令遵循型幻觉"分别怎么处理。
• 向量检索的召回效果不好，你会从哪些环节排查？说一个你实际调过的参数和它的影响。
• 你怎么评测一个 RAG 系统的好坏？请分别说检索侧和生成侧各看什么指标、怎么构造评测集。
• 一份 200 页的 PDF 技术手册要进 RAG 知识库，目录层级清晰，但有跨页表格和一段 3000 字的长章节。业务要求答案能定位到具体小节，同时回答里要保留足够上下文。你打算怎么设计切分策略？请给出 chunk 大小、overlap、切分依据，并说明长章节和表格分别怎么处理。
• 企业知识库要入库一批 200 页左右的产品技术手册（PDF，含大量跨页表格和 3 级标题），同时还有几万条几十字的客服工单。用户 query 大多是「XX 型号的额定功率是多少」这类精确查找，也有「怎么重置设备」这类流程性问题。请给出你的切分方案：chunk 大小和 overlap 怎么定？标题层级要不要拼进 chunk？跨页表格怎么办？工单和手册要不要用同一套策略？