RAG评估必备 | Recall@K、MRR、NDCG 三指标，一文彻底讲透

在RAG（检索增强生成）系统中，检索质量直接决定了大模型回答准不准。今天我用最接地气的方式，聊聊三个核心指标：Recall@K、MRR 和 NDCG。

别被名字吓到！一句话总结： Recall@K 看“找没找到”， MRR 和 NDCG 看“排得好不好”。

下面用例子、图示和对比，帮你一次性搞懂！

1. Recall@K 是什么？（最直观的“有没有”）

用户问一个问题，系统去知识库检索，返回前 K 条结果。 Recall@K 关心的只有一件事：正确答案有没有出现在这前 K 条里？

举个例子： 正确文档是 Doc B。 系统返回的前 5 条结果是：

1. 1. Doc X
2. 2. Doc A
3. 3. Doc B（正确！）
4. 4. Doc Y
5. 5. Doc Z

计算结果：

• • Recall@1 = 0
• • Recall@2 = 0
• • Recall@3 = 1
• • Recall@5 = 1

它回答的问题就是：“检索器有没有把有用资料捞上来？” 超级适合评估向量检索、BM25、Hybrid retrieval 的召回能力。

缺点也很明显：它完全不在乎顺序！即使正确文档排在第 3 位，Recall@3 依然是 1，但用户体验差多了。

2. MRR 是什么？（看“第一个正确答案来得有多早”）

MRR = Mean Reciprocal Rank（平均倒数排名）。 它只盯着第一个正确结果排在第几名，越靠前得分越高。

直觉公式（不用背，懂意思就行）：

• • 第 1 名命中 → 得分 1
• • 第 2 名 → 0.5
• • 第 3 名 → ≈0.333
• • 第 10 名 → 0.1

下面这张图用真实 Query 示例，清晰展示了不同排名的得分和 MRR 计算过程：

适合场景：FAQ 系统、找唯一正确文档、找最佳答案页。 局限：如果一个问题有多个相关文档，MRR 只看“第一个”，忽略了后面的。

3. NDCG 是什么？（最全面的“整体排序质量”）

NDCG = Normalized Discounted Cumulative Gain（归一化折扣累积增益）。 它同时考虑三点：

1. 1. 相关结果有没有出现
2. 2. 排得靠不靠前（越靠后越打折）
3. 3. 区分“有多相关”（非常相关比一般相关更值钱）

经典好坏排序对比（这张图完美展示了“理想排序 vs 实际排序”的视觉差异）：

为什么要 Normalized？把当前得分除以“理想最优排序”的得分，最后落在 0~1 之间：1 = 完美排序，越接近 1 越好。

4. 三者最核心区别（公式直观对比）

• • Recall@K：前 K 个里有没有覆盖正确结果？（只看“找没找到”）
• • MRR：第一个正确结果来得早不早？（只关心第一个）
• • NDCG：多个相关结果整体排得好不好？还能区分“有多相关”（最全面）

下面这张图直接并列 MRR 和 NDCG 的公式，一眼看懂区别：

5. 用一个统一例子再对比

假设一个问题有 3 个相关文档：

• • Doc A：非常相关
• • Doc B：一般相关
• • Doc C：稍微相关

优秀排序：Doc A → Doc B → 噪声 → Doc C → 噪声 → Recall@5=1，MRR=1，NDCG很高

糟糕排序：噪声 → Doc C → 噪声 → Doc B → Doc A → Recall@5=1，但 MRR=0.5，NDCG明显更低

这就说明：Recall@K 高，不代表排序好！

6. 在 RAG 项目里怎么用它们？

• • Recall@K → 评估召回器（向量检索、BM25、Hybrid）
• • MRR → 看用户能不能很快拿到正确证据
• • NDCG → 评估排序器 / reranker（最推荐，尤其多个 chunk 时）

7. 工程实战小建议

千万别只看一个指标！ 推荐至少一起看：Recall@K（有没有漏） + MRR 或 NDCG（排得够不够好）。

常见坑：Recall@10 很高，但 MRR 很低 → 说明“能找到，但总排不靠前”。这时问题通常出在排序、query rewrite 或 chunk 太噪上。

8. 一句话快速记忆

• • Recall@K：找到了没有？
• • MRR：第一个正确答案来得早不早？
• • NDCG：整体排序好不好？高价值结果是否排前面？

掌握了这三个指标，你的 RAG 系统评估就有了“灵魂”！

点赞、收藏、转发给需要的朋友～ 下期我们聊怎么用这些指标做自动化评测，敬请期待！