Оценка качества RAG-системы (RAGAS, precision, recall, faithfulness)

Мы — команда AI-инженеров с 5+ летним опытом в NLP и 20+ внедрениями RAG. Без систематической RAGAS оценки качества RAG-система остаётся чёрным ящиком: вы не знаете, сколько галлюцинаций генерирует модель и как много релевантного контекста теряется. RAGAS (RAG Assessment) — самый популярный фреймворк для автоматической оценки, использующий LLM как судью и не требующий ручной разметки. На одном из проектов мы сократили ручную проверку ответов на 80%, сэкономив команде более 40% времени и существенно сократив бюджет на оценку. За 3–6 недель настраиваем полный pipeline оценки, интегрируем его в CI/CD и доводим метрики до 0.9+. Свяжитесь с нами для аудита вашей RAG-системы.

Что такое RAGAS и зачем он нужен?

RAGAS — это opensource-фреймворк для оценки качества RAG-систем. Он автоматически генерирует тестовые наборы на основе ваших документов и оценивает ответы LLM по пяти ключевым метрикам. Без RAGAS вы оцениваете качество вручную или не оцениваете вовсе, что ведёт к неконтролируемым галлюцинациям и потере контекста. RAGAS делает оценку объективной и воспроизводимой. Подробнее о фреймворке — на GitHub.

Метрики RAGAS

Как интерпретировать метрики RAGAS?

Context Precision ниже 0.7 сигнализирует: система извлекает много нерелевантного контекста. Решения — улучшить reranking, добавить фильтрацию по метаданным, уменьшить top_k.

Context Recall ниже 0.7: система не находит нужные документы. Решения — улучшить chunking, попробовать hybrid search, дообучить embedding модель.

Faithfulness ниже 0.8 — критический сигнал: модель галлюцинирует, выдумывает информацию, не подкреплённую контекстом. Решения — улучшить system prompt, добавить инструкцию «отвечай только на основе контекста», снизить temperature. Это самая важная метрика для юридических и медицинских RAG-систем.

Answer Relevancy ниже 0.8: ответы не по делу. Решения — улучшить prompt, добавить few-shot примеры желаемого формата.

Как внедрить RAGAS за 4 шага

1. Подготовьте документы и создайте тестовый набор (минимум 200 вопросов). RAGAS автоматически сгенерирует вопросы разной сложности.
2. Запустите baseline оценку по всем метрикам. Это займёт 1–2 дня.
3. Проанализируйте результаты и выполните итерации оптимизации (улучшение retrieval, промпта, chunking).
4. Интегрируйте continuous evaluation в CI/CD — теперь каждый коммит будет проверяться на падение качества.

Процесс настройки занимает 2–3 дня, генерация тестов — 1–2 дня, полный цикл с улучшениями — от 3 до 6 недель.

Установка и базовое использование RAGAS

from ragas import evaluate
from ragas.metrics import (
    context_precision,
    context_recall,
    faithfulness,
    answer_relevancy,
    answer_correctness,
)
from datasets import Dataset

# Подготовка датасета для оценки
eval_data = {
    "question": [
        "Каков срок действия договора?",
        "Кто несёт ответственность за задержку поставки?",
    ],
    "answer": [
        "Договор действует до 31 декабря.",
        "Поставщик несёт ответственность за задержку сверх 5 рабочих дней.",
    ],
    "contexts": [
        ["2.1. Настоящий Договор вступает в силу с момента подписания и действует до 31 декабря..."],
        ["4.3. В случае задержки поставки более чем на 5 рабочих дней Поставщик..."],
    ],
    "ground_truths": [
        "Договор действует до 31 декабря.",
        "Ответственность несёт Поставщик при задержке более 5 рабочих дней.",
    ],
}

dataset = Dataset.from_dict(eval_data)

# Оценка
from langchain_openai import ChatOpenAI, OpenAIEmbeddings
from ragas.llms import LangchainLLMWrapper
from ragas.embeddings import LangchainEmbeddingsWrapper

evaluator_llm = LangchainLLMWrapper(ChatOpenAI(model="gpt-4o"))
evaluator_embeddings = LangchainEmbeddingsWrapper(OpenAIEmbeddings())

results = evaluate(
    dataset,
    metrics=[context_precision, context_recall, faithfulness, answer_relevancy],
    llm=evaluator_llm,
    embeddings=evaluator_embeddings,
)

print(results)
# {'context_precision': 0.88, 'context_recall': 0.82, 'faithfulness': 0.94, 'answer_relevancy': 0.91}

Автоматизированный тестовый набор: Testset Generation

RAGAS умеет генерировать тестовый набор из ваших документов:

from ragas.testset.generator import TestsetGenerator
from ragas.testset.evolutions import simple, reasoning, multi_context

generator = TestsetGenerator.with_openai()

# Генерация тестов разной сложности
testset = generator.generate_with_langchain_docs(
    documents=your_documents,
    test_size=100,
    distributions={
        simple: 0.5,          # Простые вопросы по одному документу
        reasoning: 0.3,       # Требующие рассуждений
        multi_context: 0.2,   # Требующие нескольких документов
    }
)

testset.to_pandas().to_csv("evaluation_testset.csv", index=False)

Практический кейс: итерации над RAG-системой юридического чат-бота

Из нашей практики: заказчик — юридическая компания с корпусом из 10 000 договоров. Исходный RAG на GPT-4o-mini и ChromaDB показывал низкие метрики. Мы провели три итерации оптимизации.

Исходное состояние (v1):

Итерация 1: добавили hybrid search (sparse + dense). Context Recall вырос с 0.68 до 0.81 (+19 %).

Итерация 2: добавили Contextual Compression и reranker. Context Precision улучшилась с 0.61 до 0.84 (+38 %), Faithfulness — с 0.74 до 0.91 (+23 %).

Итерация 3: доработали system prompt с явным запретом галлюцинаций. Faithfulness достигла 0.95, Answer Relevancy — 0.88.

Финальное состояние (v4):

RAGAS позволил автоматизировать оценку, что в 10 раз быстрее ручного ревью асессорами. Экономия бюджета на оценку составила десятки тысяч долларов на каждом проекте.

Continuous Evaluation в CI/CD

import pytest

@pytest.fixture(scope="session")
def rag_evaluation_results():
    """Запускает RAGAS оценку на тестовом наборе"""
    return evaluate(evaluation_dataset, metrics=[faithfulness, context_recall])

def test_faithfulness_above_threshold(rag_evaluation_results):
    assert rag_evaluation_results["faithfulness"] >= 0.85, \
        f"Faithfulness {rag_evaluation_results['faithfulness']:.2f} below threshold 0.85"

def test_context_recall_above_threshold(rag_evaluation_results):
    assert rag_evaluation_results["context_recall"] >= 0.75

Что входит в нашу работу по оценке RAG

• Настройка RAGAS pipeline под вашу инфраструктуру.
• Генерация репрезентативного тестового набора (200+ вопросов).
• Baseline оценка по 5 метрикам.
• 2–3 итерации по улучшению с конкретными рекомендациями.
• Интеграция continuous evaluation в ваш CI/CD.
• Отчёт с результатами и планом дальнейшей оптимизации.

Получите консультацию по оценке вашей RAG-системы — мы оценим проект и предложим план работ. Закажите аудит метрик прямо сейчас.

Практический разбор LLM: fine-tuning, RAG, агенты, деплой

Модель GPT‑4 или Claude 3.5 Sonnet через публичное API — не решение, а просто инструмент. Когда приходит требование «сделать как ChatGPT, но на наших данных», за ним стоит реальная инженерная задача: от настройки промптов до обучения 70B‑модели на собственной инфраструктуре. Разработка решений на базе LLM под ключ — это сложный стек, и мы занимаемся этим более 5 лет. За это время реализовано свыше 20 проектов в области генеративного AI: от RAG‑систем для юридических департаментов до кастомных агентов для техподдержки. Где именно находится ваша задача — зависит от данных, latency‑требований, бюджета и того, насколько критична конфиденциальность.

Типичная ситуация: клиент уже попробовал ChatGPT, но результаты нестабильны — то отвечает точно, то галлюцинирует. Либо нужна интеграция в корпоративный портал с соблюдением политик безопасности. Разберём каждый слой стека в деталях — от RAG до production‑деплоя.

Почему RAG‑системы ломаются и как это исправить?

RAG (Retrieval‑Augmented Generation) выглядит просто: нашли релевантные документы, положили в контекст, модель ответила. На практике сбоит в нескольких местах.

Chunking без перекрытия. Классическая ошибка: chunk_size=512, overlap=0. Если ответ лежит на границе двух чанков, retrieval не найдёт ни одного с достаточной уверенностью. Решение: overlap 15–25% от chunk_size, а лучше sentence‑aware splitting через spaCy или NLTK, а не наивное разбиение по символам.

Плохой embedder. Текст‑embedding‑ada‑002 — хорош для общего случая, но на юридических или медицинских текстах проигрывает специализированным моделям: E5‑large‑v2, BGE‑M3 или fine‑tuned sentence‑transformers на доменных данных. Разница в Recall@5 может составлять 15–25%.

Отсутствие re‑ranking. Векторный поиск оптимизирован по скорости, не по релевантности. Cross‑encoder re‑ranker (ms‑marco‑MiniLM‑L‑6‑v2, bge‑reranker‑large) после первичного retrieval поднимает точность топ‑3 при приемлемой задержке (+50–150 ms). Это часто важнее улучшения embedding‑модели.

Гибридный поиск. Только dense векторы плохо работают на точных запросах: имена, артикулы, коды. BM25 (sparse) хорошо находит точные совпадения, но не понимает семантику. Гибрид через RRF (Reciprocal Rank Fusion) — оптимальный компромисс. Qdrant, Weaviate и pgvector 0.7+ поддерживают гибридный поиск нативно.

Когда стоит fine‑tune, а не промпт‑инжиниринг?

Промпт‑инжиниринг решает ~70% задач адаптации LLM под домен. Оставшиеся 30% требуют дообучения. Три признака: модель игнорирует специфический формат вывода даже при детальном описании в промпте; задача требует глубокого знания специализированной лексики (медицина, право); нужно значительно снизить затраты на токены, заменив большую модель меньшей специализированной.

LoRA и QLoRA — стандарт для SFT. LoRA добавляет trainable low‑rank матрицы к attention‑слоям. Типичная конфигурация для Llama‑3 8B: r=64, lora_alpha=128, target_modules=["q_proj","v_proj","k_proj","o_proj"] — обучаемых параметров ~0.8%, обучение на одной A100 40GB. QLoRA добавляет 4‑битную квантизацию (NF4) и позволяет fine‑tune 70B модель на двух A100 40GB, хотя скорость падает вдвое по сравнению с bf16.

DPO вместо RLHF. Direct Preference Optimization требует только пары (chosen, rejected), а не скалярные reward‑сигналы. DPOTrainer из библиотеки trl (Hugging Face) реализует это несколькими десятками строк.

Типичная ошибка. Датасет из 500 примеров, 5 эпох, validation loss 0.8 — кажется норм. Но на тесте модель деградировала на общих инструкциях. Причина: catastrophic forgetting. Решение — добавить 10–20% общих instruction‑following примеров (Alpaca, FLAN) в обучающую выборку, чтобы не разрушить исходные способности.

Как выбрать базовую модель: 8B или 70B?

Для большинства задач fine‑tuning 8B модели достаточно. 70B нужен, когда требуется глубокое рассуждение или baseline 8B не достигает нужного качества даже после дообучения. Стоимость инференса Llama‑3 8B через vLLM на A100 — около $0.001/1K токенов, что в 15 раз дешевле GPT‑4.

Что даёт PagedAttention в production?

vLLM — первый выбор для serving open‑source моделей. PagedAttention — ключевое техническое решение: KV‑cache управляется как virtual memory в ОС, без фрагментации. Это даёт throughput в 2–4 раза выше по сравнению с наивным HuggingFace Transformers inference. Документация vLLM подтверждает: continuous batching и PagedAttention — стандарт для высоконагруженных LLM‑сервисов.

Типичные числа на A100 80GB для Llama‑3 8B (bf16): 400–600 req/s, P50 latency 200–400ms, P99 latency 600–900ms при concurrency 64. Для 70B на двух A100 с tensor parallelism: 80–120 req/s, P99 latency 1.5–2.5s. Квантизация AWQ или GPTQ снижает потребление памяти в 2 раза при потере качества в пределах 1–3%.

Мультиагентные системы

Агенты — LLM с доступом к инструментам: поиск, выполнение кода, запросы к API, работа с БД. Основные паттерны:

• ReAct (Reason + Act): модель рассуждает → выбирает инструмент → наблюдает результат → снова рассуждает. LangChain и LlamaIndex реализуют из коробки.
• Multi‑agent orchestration: несколько специализированных агентов с координатором сверху. Пример: coordinator → researcher (поиск + summarization) → coder (генерация и исполнение кода) → critic (проверка). Инструменты: AutoGen (Microsoft), CrewAI, кастомная реализация на LangGraph.

В продакшене агентные системы недетерминированы. Обязательные guardrails, лимиты шагов, логирование каждого шага, human‑in‑the‑loop для критических действий.

Как мы работаем: этапы, сроки, результат

Что входит в работу

Мы передаём:

• Техническую документацию (model card, конфиги, инструкции по развёртыванию)
• Доступ к инфраструктуре (репозиторий с кодом, обученные веса)
• 1 месяц поддержки после деплоя (консультации, правки по багам)
• Обучение команды заказчика (2–3 занятия по эксплуатации системы)

Сроки: базовый RAG‑прототип — 1–2 недели. Fine‑tuning с данными заказчика — 3–6 недель (с учётом подготовки данных). Production‑система с мониторингом и переобучением — 2–4 месяца. Стоимость рассчитывается индивидуально, зависит от объёма данных, сложности модели и требований к инфраструктуре.

Хотите оценить свой проект? Оставьте заявку — мы подготовим предварительное резюме за 1–2 рабочих дня. Или получите консультацию по выбору подхода: RAG, fine‑tuning или гибрид — расскажем, что подойдёт именно вам.