用途：评估 RAG（检索增强生成）系统的质量，衡量检索质量、答案忠实度与端到端性能，适合在开发与上线前对 RAG 流水线做基准测试。
主要能力：给出关键指标及参考阈值，包括 Context Precision（>0.8）、Context Recall（>0.7）、Faithfulness（>0.9）、Answer Relevancy（>0.8）、Answer Correctness（>0.8）。以 RAGAS 为评估标准，安装命令为 pip install ragas langchain_openai。可构建评估数据集，每条测试用例包含 question、answer、contexts、ground_truth，并用 Dataset.from_dict 组织。通过 evaluate 传入 faithfulness、answer_relevancy、context_precision、context_recall 等指标及 llm、embeddings 运行评估，结果可 to_pandas 查看逐题明细。
自定义指标：提供检索命中率 calculate_hit_rate（top-k 内是否含相关文档）与 MRR calculate_mrr（相关文档排名倒数均值），以及用 time.perf_counter 测量检索延迟、生成延迟、总延迟、文档数与生成 token 数。还给出 RAGTestSuite 组合 RAGAS 指标、检索指标、延迟指标与失败分析，失败可分类为 generation_failure 或 retrieval_failure。
使用方式与最佳实践：构建 50-100 条人工校验的黄金问答集；测试空结果、歧义查询、域外问题等边界情况；在 CI/CD 中自动化评估；长期跟踪指标趋势；按查询类型分段评估。生产环境可记录查询、文档数、延迟与答案长度做持续监控。
限制：资料未提供具体收费、价格、平台支持范围与效果保证；指标阈值仅为参考，实际需结合业务调整。