RAG 召回率

← ToolBox / RAG 召回率

📖 查看「RAG 召回率使用指南」

🤖 RAG Retrieval Recall Calculator

Compute retrieval recall from the number of relevant documents and the number actually retrieved, to measure the coverage of your RAG retriever.

📐 计算公式 / 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。

相关文档总数

检索返回数

检索中相关文档数

📐 计算公式与说明

Recall = 检索到的相关 / 所有相关
Precision = 检索到的相关 / 检索总数

RAG 系统需权衡召回率与精确率。

📚 深度解析：RAG 召回率

💡 常见使用场景

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。

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。

❓ 常见问题（FAQ）

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。