你的 AI 答错了，是搜错了还是它在编？BLEU 和 ROUGE 早该淘汰了：62% 生产级 AI 应用都在用的评估新标准曝光

大白话Ragas 是一个开源的 Python 评估框架，专门用来给 RAG（先检索资料再让大模型回答）这类应用打分。它的思路很直白：请一个「裁判大模型」来读你的答案，从四个角度打分——答案有没有乱编（忠实度）、有没有答到点上（答案相关性）、检索到的资料排得对不对（上下文精确度）、该找的资料有没有漏（上下文召回）。前两个查生成模型，后两个查检索环节，这样就能分清到底是搜错了还是模型在瞎编。教程还提醒：老版本 0.1、0.2 的代码在 0.4.3 上已经跑不通了。

对你意味着如果你在做知识库问答、企业文档助手这类 RAG 产品，这套指标能帮你定位问题出在检索还是生成；但分数只是估计值，别当成标准答案。