RAG 召回率 使用指南

RAG 召回率計算器，輸入相關文件數與檢索命中數求召回率，評估檢索增強生成的檢索覆蓋質量。

計算公式與原理

召回率 = 檢索到的相關文件數 / 相關文件總數 × 100%；精確率 = 檢索到的相關文件數 / 檢索總數 × 100%；F1 = 2·P·R/(P + R)；命中率 = 檢索到 ≥1 篇相關 ? 100% : 0

RAG 的檢索質量直接決定生成上限：召回率不足會漏掉關鍵證據導致幻覺，精確率不足則把噪聲塞進上下文稀釋注意力。命中率（Recall@k 的特例）常用於快速判斷 top-k 是否夠用。

使用步驟

1. 填寫「相關文件總數」。
2. 填寫「檢索返回數」。
3. 填寫「檢索中相關文件數」。
4. 結果區會即時更新；可一鍵複製結果用於記錄或彙報。

典型使用場景

• 召回率=檢索命中的相關文件數/相關文件總數，衡量檢索覆蓋質量。
• RAG 先召回再生成，召回不足會直接限制答案上限(garbage in, garbage out)。
• 常用向量檢索+關鍵詞混合召回提升覆蓋率，再重排 top-k。

算例參考

• 召回評估：知識庫某問題共有 10 篇相關文件，檢索返回 top-20 中命中 8 篇 → 召回率=80%。若只命中 3 篇，則生成極易遺漏要點，需擴大召回或改進切分。

注意事項

結果為按上述公式得到的理論估算值，實際表現受資料分佈、實現細節與執行環境影響，落地決策請以實測為準；本工具純前端執行，輸入不上傳伺服器。

召回率高就夠了嗎？

不夠。召回高只保證'找得全'，還需重排把最相關置頂、控制噪聲，否則無關文件擠佔上下文反而干擾生成。

怎麼提升 RAG 召回？

最佳化文件切分粒度、用混合檢索(向量+BM25)、加後設資料過濾與重排；並定期用標準問答集測召回率指導迭代。