RAG 召回率 使用指南
RAG 召回率计算器，输入相关文档数与检索命中数求召回率，评估检索增强生成的检索覆盖质量。
计算公式与原理
召回率 = 检索到的相关文档数 / 相关文档总数 × 100%；精确率 = 检索到的相关文档数 / 检索总数 × 100%；F1 = 2·P·R/(P + R)；命中率 = 检索到 ≥1 篇相关 ? 100% : 0
RAG 的检索质量直接决定生成上限：召回率不足会漏掉关键证据导致幻觉，精确率不足则把噪声塞进上下文稀释注意力。命中率（Recall@k 的特例）常用于快速判断 top-k 是否够用。
使用步骤
- 填写「相关文档总数」。
- 填写「检索返回数」。
- 填写「检索中相关文档数」。
- 结果区会即时更新；可一键复制结果用于记录或汇报。
典型使用场景
- 召回率=检索命中的相关文档数/相关文档总数，衡量检索覆盖质量。
- RAG 先召回再生成，召回不足会直接限制答案上限(garbage in, garbage out)。
- 常用向量检索+关键词混合召回提升覆盖率，再重排 top-k。
算例参考
- 召回评估：知识库某问题共有 10 篇相关文档，检索返回 top-20 中命中 8 篇 → 召回率=80%。若只命中 3 篇，则生成极易遗漏要点，需扩大召回或改进切分。
注意事项
结果为按上述公式得到的理论估算值，实际表现受数据分布、实现细节与运行环境影响，落地决策请以实测为准；本工具纯前端运行，输入不上传服务器。
- 召回率高就够了吗？
- 不够。召回高只保证'找得全'，还需重排把最相关置顶、控制噪声，否则无关文档挤占上下文反而干扰生成。
- 怎么提升 RAG 召回？
- 优化文档切分粒度、用混合检索(向量+BM25)、加元数据过滤与重排；并定期用标准问答集测召回率指导迭代。