什么是 RAG 中的“召回率”？

在 RAG 的工作流程中系统首先需要从庞大的知识库中“检索”出与用户问题相关的信息然后才交给大模型“生成”答案。召回率Recall 就是用来衡量检索模块工作质量的关键指标。1. 核心定义简单来说召回率回答了这样一个问题“在所有应该被找出来的相关文档中我们实际找出来多少”它关注的是检索的全面性。2. 数学计算公式召回率的计算基于“相关文档”的统计TP (True Positives)真正例。指系统检索出来且确实相关的文档数量。FN (False Negatives)假负例。指系统没有检索出来但实际上相关的文档数量也就是漏掉的。分母 (TP FN)数据库中所有真实相关的文档总数。3. 举个例子假设你的知识库里有10篇关于“公司年会流程”的文档。用户提问后RAG 系统检索出了 8 篇文档。经过人工核对这 8 篇里有 7 篇是真相关的TP7漏掉了 3 篇相关的FN3。那么这次检索的召回率就是Recall7/73​70%这意味着系统漏掉了 30% 的相关信息。4. 为什么召回率很重要信息完整性如果召回率低大模型可能因为缺乏关键上下文而给出错误或不完整的答案例如法律咨询中漏掉关键判例。与准确率的权衡召回率通常与准确率Precision存在“跷跷板”效应。高召回率可能会把一些不相关的“噪音”文档也抓进来降低了准确率但好处是不容易漏掉重点。高准确率抓出来的文档都很准但可能会漏掉很多边缘但重要的信息。业界建议由于大模型对噪音有一定过滤能力通常建议优先保证较高的召回率确保关键信息不丢失。