什么是 上下文精确率（Context Precision）？
上下文精确率（Context Precision）是一种 RAG 评估指标，用于衡量检索到的上下文中有多少内容与用户问题或期望答案相关。
工作原理
上下文精确率关注提供给模型的证据究竟主要有用，还是主要是噪声。高上下文精确率意味着检索分块相关，不会干扰生成模型；低精确率意味着上下文窗口中充满无关片段，可能增加成本、混淆模型，或引入无依据说法。它通常需要与上下文召回率一起评估，因为系统可能很精确但漏掉必要证据，也可能覆盖很广但噪声很大。
主要特点
- 关注检索上下文本身的相关性，而不只看最终答案
- 惩罚提示词中的噪声、重复或离题分块
- 与衡量必要证据是否被检索到的上下文召回率互补
- 可由人工、参考答案或 LLM-as-Judge 流水线评判
- 适合调优 top-k、分块、过滤、重排和查询改写
常见用途
- 评估 RAG 检索是否返回过多无关上下文
- 比较检索器和重排器配置
- 在调整分块大小或重叠后发现噪声分块
- 优化上下文窗口使用和生成成本
- 为检索质量建立回归测试
示例
loading...
Loading code...常见问题
上下文精确率低意味着什么？
这意味着检索器向模型发送了太多无关或重复证据，会浪费上下文并可能损害答案质量。
上下文精确率会不会过高？
如果系统检索内容很少，看起来可能很精确，但仍可能漏掉必要证据。因此还需要看上下文召回率。
如何提升上下文精确率？
常见手段包括改善分块、使用元数据过滤、重排、降低 top-k、查询改写和混合检索。
上下文精确率等于答案准确率吗？
不是。它衡量检索证据质量。生成模型仍可能基于好上下文给出坏答案，或偶然从差上下文中答对。