人工智能实战：RAG 召回评测平台怎么搭？从前期发现答非所问到 Recall@K、MRR 与 NDCG 指标落地

一、问题场景：RAG 答错了，但不知道是检索错还是生成错

RAG 系统答错时，很多人第一反应是改 Prompt。

但真实情况经常是：

模型没有看到正确资料。

如果检索阶段没召回正确 chunk，生成阶段再强也没用。

我见过一个系统，用户问：

销售客户拜访二线城市住宿费多少？

模型回答：

350元

排查发现：

retrieved_docs 里根本没有 sales_policy

这不是生成问题，而是召回问题。

本文解决的问题是：

如何搭建 RAG 召回评测平台，使用 Recall@K、MRR、NDCG 等指标量化检索质量，避免盲目调 Prompt。

二、前期如何发现需要召回评测？