用途：指导用户用 Ragas（开源 RAG 评估框架，Apache 2.0）评估 DSPy RAG 流水线，把 RAG 质量拆解为独立指标，分别衡量检索器与生成器，从而判断该修哪一环。
主要能力：分解式指标包括 Faithfulness（答案是否有检索上下文支撑，无需参考答案，评生成器）、AnswerRelevancy（答案是否切题，无需参考答案，评生成器）、ContextPrecision（相关文档是否排在前面，需参考答案，评检索器）、ContextRecall（是否召回全部相关信息，需参考答案，评检索器）、AnswerCorrectness（答案是否匹配参考答案，端到端）。
使用方式：安装 pip install ragas 或 pip install "ragas[dspy]"。先运行 DSPy RAG 流水线收集 user_input、response、retrieved_contexts、reference；再用 EvaluationDataset 与 SingleTurnSample 构造数据集；然后 from ragas import evaluate 并传入所需指标；结果可 to_pandas() 查看逐样本分数、找最差样本。默认用 OpenAI，也可用 LangchainLLMWrapper 配置其他 LLM。ragas[dspy] 还提供 DSPyOptimizer，基于 MIPROv2 优化 Ragas 自身指标提示词，属进阶用法。
适用场景：需要诊断检索器还是生成器出问题、做无参考答案评估、或在优化后做深度分析时使用。若只需整体准确率或用作优化目标，应改用 dspy.Evaluate 的快速指标（如 SemanticF1）。
限制：每个指标每样本会多次调用 LLM，100 样本 5 指标约 500 次调用，需考虑成本；不宜作为优化目标，速度过慢；ContextPrecision 与 ContextRecall 需要参考答案；Ragas v0.2+ API 有变化，旧示例需改用 EvaluationDataset 与 SingleTurnSample。