Ressourcen · 09

RAG-Qualität: Bewerten Sie einen Wissensassistenten anhand von Beweisen

Messen Sie Korpus, Retrieval, Zitate, Antworten, Enthaltung und Drift separat, damit Sie wissen, was wirklich korrigiert werden muss.

Aktualisiert · 8 min

Fiktiver leerer Archivraum: sechs Ablagen mit leeren Dokumenten, bordeauxrote Mappe und Messinglampe KI-generierte redaktionelle Illustration

Wozu dieser Leitfaden beiträgt

  • Wissen Sie, ob der Fehler vom Korpus, vom Abruf oder vom Modell herrührt
  • Verfolgen Sie jedes Zitat
  • Angemessene Enthaltung belohnen
  • Drift nach Änderung erkennen

Kurzcheck

  • Ist die Referenzquelle autorisiert und aktuell?
  • Erscheint die rechte Passage oben?
  • Wird jeder entscheidende Anspruch gestützt?
  • Kann der Assistent sagen, dass er es nicht weiß?
  • Werden sensible Fälle eskaliert?

Schritt-für-Schritt-Anleitung

  1. 1

    Definieren Sie sinnvolle Aufgaben

    Sammeln Sie reale Fragen, deren Varianten und das erwartete Geschäftsergebnis. Fügen Sie Unklarheiten, Quellenkonflikte, abgelaufene Dokumente und außerhalb des Gültigkeitsbereichs liegende Anforderungen hinzu.

    Liefergegenstand: Fall- und Risikotaxonomie.

  2. 2

    Korpus reinigen

    Weisen Sie jeder Quelle einen Eigentümer, Rechte, Gültigkeitsdatum und Status zu. Entfernen Sie Duplikate, verwaiste Fragmente und Dokumente unbekannter Autorität.

    Liefergegenstand: Korpusregister.

  3. 3

    Abruf auswerten

    Messen Sie, ob notwendige Passagen gefunden und eingestuft wurden, bevor Sie den endgültigen Wortlaut beurteilen. Untersuchen Sie Abfragen, für die keine Beweise vorliegen.

    Liefergegenstand: Reichweiten- und Relevanzmessungen.

  4. 4

    Antworten und Zitate auswerten

    Überprüfen Sie die Textstellentreue, Vollständigkeit, Einschränkungen, das Zitat-zu-Anspruchs-Verhältnis und die Fähigkeit, Widersprüche zu kennzeichnen.

    Liefergegenstand: Rubrik Treue und Nutzen.

  5. 5

    Testverweigerung und Angriffe

    Fügen Sie indirekte Injektion, verbotene Datenanfragen, böswillige Quellen, Dokumente mit falscher Priorität und irreversible Aktionen hinzu. Definieren Sie menschliche Eskalation.

    Liefergegenstand: Sicherheitsergebnisse und Leitplanken.

  6. 6

    Änderung überwachen

    Versionskorpus, Index, Einstellungen, Modell und Anweisungen. Spielen Sie den stabilen Satz bei jeder Änderung erneut ab und analysieren Sie echtes Feedback, ohne unnötige Daten aufzubewahren.

    Liefergegenstand: Drift-Dashboard und Review-Verfahren.

Verstehen, berechnen und entscheiden

KI-Antworten: Qualität, Abdeckung und Enthaltung unterscheiden

Zählen Sie getestete Fragen, erzeugte Antworten und validierte Antworten getrennt. Dieses CIE-Lernmodell ist weder ein NIST-Score noch ein allgemeingültiger Freigabemaßstab.

Berücksichtigen Sie hier nur Fragen mit erwarteter Antwort. Legen Sie die Validierung vorher fest: richtige Aussage, tatsächlich stützende Fundstelle, erlaubter Zugriff und hinreichend aktuelle Quelle. Erwartete Enthaltungen, Widersprüche und schwere Fehler werden separat geprüft.

Kennwerte und Nachweise

KennwertEinordnungErforderlicher Nachweis
Getestete Fragen Teilmenge mit erwarteter Antwort Fragen, Kriterien und feste Versionen
Erzeugte Antworten Fragen mit ausgegebener Antwort Antworttexte und Enthaltungen
Validierte Antworten Antworten nach vereinbartem Kriterium Urteil und belegende Fundstelle

Fiktives Arbeitsbeispiel

Fiktives Beispiel: 100 Fragen, 80 Antworten, davon 72 validiert. Antwortqualität: 90 %; Abdeckung: 80 %; Erfolg im gesamten Satz: 72 %. Die 90 % allein verbergen 20 unbeantwortete Fragen und 8 nicht validierte Antworten.

Aufteilung des fiktiven Beispiels
  • 72 / 100 · Validiert
  • 8 / 100 · Nicht validiert
  • 20 / 100 · Unbeantwortet

100 = 72 + 8 + 20. Unbeantwortete Fragen bleiben sichtbar; dies ist keine Messung dieser Website.

Berechnungsregel

Qualität = validiert / erzeugt. Abdeckung = erzeugt / getestet. Gesamterfolg = validiert / getestet. Bei Nenner null ist die Quote nicht berechenbar.

Die Referenzen unterstützen die Methode. Passen Sie die Prüfungen an Ihren Kontext an; sie stellen keine Zertifizierung dar. Originalreferenztitel und Quelldokumente können in einer anderen Sprache verfasst sein.

Fiktives Arbeitsbeispiel

Beispielhafte Situation

Ein interner Assistent antwortet aus teilweise abgelaufenen Verfahren. Das Testset enthält routinemäßige, mehrdeutige und unbeantwortbare Fragen; Jedes Zitat wird mit der Dokumentversion verglichen.

Entscheidung und erwartete Beweise

Die Veröffentlichung wartet, bis abgelaufene Quellen ausgeschlossen sind, nicht unterstützte Antworten abgelehnt werden und der Korpusbesitzer identifiziert wird.

Managementindikatoren

IndikatorWas es misstErste Aktion
AbrufabdeckungFragen, zu denen notwendige Passagen gefunden werdenKorpus, Chunking oder Abfrage vor dem Modell korrigieren
TreueBehauptungen, die durch zitierte Quellen tatsächlich gestützt werdenNicht unterstützte Antworten blockieren oder umschreiben
Sinnvolle EnthaltungFälle ohne Beweise wurden korrekterweise abgelehnt oder eskaliertKonfidenzschwellenwerte optimieren
RegressionQualitätsunterschied zwischen Versionen auf demselben SetIdentifizieren Sie die verantwortliche Änderung

Häufige Fallstricke

  • Nur die Schreibflüssigkeit messen
  • Eine Mischung aus Apportierversagen und Halluzination
  • Verwendung eines zu einfachen Auswertungssatzes
  • Änderung mehrerer Komponenten ohne Vergleich

Häufig gestellte Fragen

Wie viele Fragen werden benötigt?

Beginnen Sie mit einem repräsentativen, versionierten Satz, der wichtige Risiken abdeckt. Vielfalt und Qualität sind wichtiger als künstliches Volumen.

Reicht eine automatisierte Metrik aus?

Nein. Es beschleunigt die Triage, aber sensible, mehrdeutige und domänenbezogene Fälle erfordern explizite Kriterien und eine menschliche Überprüfung.

Soll jedes Gespräch gespeichert werden?

Nein. Bewahren Sie nur notwendige Spuren mit definiertem Zweck, Zugriff und Dauer auf. Bevorzugen Sie anonymisierte Fälle zur Verbesserung.

RAG: Zugriffsrechte, Zitate und Caches

Ausführliche Hinweise stehen in dieser Ausgabe auf Englisch zur Verfügung.

Evaluate an answer alongside its document rights

A relevant citation can support an accurate answer while revealing a forbidden document. RAG evaluation should separate faithfulness, freshness and authorisation of passages actually supplied to the model.

  • Annotate permitted documents for each test identity.
  • Remove a group and replay an existing conversation and citation.
  • Track incorrect answers, missing evidence and out-of-scope exposure separately.

Explore the RAG access matrix and replay cases →

References consulted on · OWASP · LLM08:2025 Vector and Embedding Weaknesses OWASP · API1:2023 Broken Object Level Authorization

KI: JSON-Ergebnisse prüfen

Ausführliche Hinweise stehen in dieser Ausgabe auf Englisch zur Verfügung.

A retrieved reference does not prove the extracted value

A RAG system can find the right document and return schema-valid JSON that misstates a field. Separate retrieval, the output contract and passage reconciliation to locate what needs correction.

  • Keep an independent reference for decisive fields.
  • Test missing values, contradictions and unavailable documents.
  • Retain unexecuted checks as such instead of counting them as passes.

Compare the 14 outputs and their reasons →

Sources reviewed on · IETF · RFC 8259 · JSON Schema · Object reference · JSON Schema · Draft 2020-12 validation · Python 3.12 · json decoder · python-jsonschema · Schema validation · OWASP · LLM05:2025 Improper Output Handling

RAG: Relevanz und Rangfolge

Ausführliche Hinweise stehen in dieser Ausgabe auf Englisch zur Verfügung.

A RAG system can retrieve useful documents and still produce an incorrect answer. Retrieval evaluation therefore needs its own questions, relevance judgments and defined reading depth. This dossier explains four ranking measures without confusing them with answer faithfulness, access permissions or guaranteed business outcomes.

Documentary references: Stanford CS276’s evaluation material from the 2019 archive and NIST TREC’s reciprocal-rank definition. The CIE workshop uses binary judgments and one query at a time. RR@k here is truncated at k; MRR is a mean RR across multiple queries and is not computed by this workshop.

Stanford CS276 · Retrieval evaluation · 2019 course archive · PDF pp. 3, 5–6 · consulted 2026-10-23

Four measures, four different questions

Four measures, four different questions
MeasureWorkshop calculationUseful readingCondition or limitation
Precision@kRelevant results in the first k / kMeasures the useful proportion in the inspected window.Unavailable if any judgment is missing in the first k.
Recall@kRelevant results in the first k / RR is the number of relevant records in the entire small judged corpus.If R is unknown, publish a value only when it is defined and identical in every possible case.
RR@k1 / rank of the first relevant result within kEquals 0 when no relevant record appears in that fully judged window.An unjudged record before the first relevant result makes that rank uncertain.
nDCG@kDCG@k / IDCG@kCompares ranking gain with the ideal order at the same k.Unavailable if the value changes across possible cases or any case has a zero ideal.

Explicit convention: judgment rᵢ is 0 or 1; DCG@k = Σᵢ₌₁ᵏ rᵢ / log₂(i + 1). With binary relevance, gain 2ʳⁱ − 1 also equals rᵢ. IDCG@k puts min(R, k) relevant records first using the same discount. nDCG@k = DCG@k / IDCG@k when that ideal is defined and nonzero. Keep gain, discount, depth and conventions with any published score.

NIST TREC · Reciprocal rank definition · Repository snapshot 35cf096ba6d5ae08ca4803c056b31ed61a56a6d4 · consulted 2026-10-23

A fictional six-record corpus with declared judgments

Titles and judgments below are created for this exercise. They are neither real search results nor automatic title-based judgments. 1 means relevant, 0 nonrelevant and ? unjudged. Columns Q1–Q5 correspond to the needs displayed in the workshop.

  • Q1 · Prepare a restoration test
  • Q2 · Authorise a document read
  • Q3 · Check a quantum sensor
  • Q4 · Restoration test: C judgment missing
  • Q5 · Restoration: B unjudged, other records off-topic
A fictional six-record corpus with declared judgments
Fictional recordQ1Q2Q3Q4Q5
A · Restoration procedure10011
B · Recovery budget1001?
C · Restoration test log100?0
D · Account and permission guide01000
E · Archiving policy00000
F · Publication schedule00000

Dokumentrangfolge prüfen

Choose a need and enter an ordered list of A–F identifiers separated by commas. Change k to inspect only the first k results. The list may omit documents, but each identifier must be unique and k cannot exceed its length. Calculation stays local without collection, import, transmission, storage or export.

This reader queries no search engine, private corpus or AI model. It measures neither answer truth, correct citation nor permission security. Scores concern declared judgments in this small fictional universe. Do not present an exercise value as a benchmark of your system or a universal deployment threshold.

Unjudged and nonrelevant are different states

Unjudged and nonrelevant are different states
SituationCIE educational convention
Missing judgment within kPrecision may vary. Reciprocal rank remains known if the first relevant record is identified before any unjudged record.
Missing judgment elsewhereR becomes a range of possibilities. Do not assume recall and nDCG are always unknown: a value may remain constant, for example when the order is ideal in every case.
No relevant record in a fully judged corpusPrecision@k and RR@k are 0. The reader shows Recall@k and nDCG@k as unavailable for this zero-denominator case.
CIE publication ruleExplore every binary assignment of missing judgments, at most 64 for six records. Publish a measure only if it is defined and identical in every assignment. These are possibilities, with no probabilities assigned and no actual imputation.

Ten explained scenarios, available without JavaScript

K01 · Relevant records first
Relevant records first
NeedSupplied orderkExpected reading
Q1A,B,C,D,E,F3Precision@3 = 1, Recall@3 = 1, RR@3 = 1 and nDCG@3 = 1 in this fully judged corpus.
K02 · Relevant records after cutoff
Relevant records after cutoff
NeedSupplied orderkExpected reading
Q1D,E,F,A,B,C3All four measures are 0 at k = 3. Relevant records exist but are placed after the inspected window.
K03 · First relevant record at rank two
First relevant record at rank two
NeedSupplied orderkExpected reading
Q1D,A,E,B,F,C3Precision@3 and Recall@3 are 1/3; RR@3 is 1/2. nDCG considers position and the ideal order.
K04 · Relevant records omitted
Relevant records omitted
NeedSupplied orderkExpected reading
Q1A,D,E,F3R remains 3 in the corpus even though B and C are absent from the list. Recall must not use only returned results as its denominator.
K05 · Duplicate identifier
Duplicate identifier
NeedSupplied orderkExpected reading
Q1A,A,B3Input rejected: A must not be counted twice. Correct the ranking rather than inflating the relevant count.
K06 · Unjudged before the first relevant record
Unjudged before the first relevant record
NeedSupplied orderkExpected reading
Q4C,A,D,E,B,F3C is unjudged. Precision@3, Recall@3, RR@3 and nDCG@3 are unavailable under the declared conventions.
K07 · Unjudged after the window
Unjudged after the window
NeedSupplied orderkExpected reading
Q4A,B,D,E,F,C3Precision@3 is 2/3 and RR@3 is 1. Recall@3 and nDCG@3 remain unavailable because C’s corpus judgment is missing.
K08 · Need with no relevant record
Need with no relevant record
NeedSupplied orderkExpected reading
Q3A,B,C,D,E,F3Precision@3 and RR@3 are 0. Recall and nDCG remain unavailable; this is an explicit convention rather than division by zero.
K09 · Change reading depth
Change reading depth
NeedSupplied orderkExpected reading
Q2A,D,B,C,E,F1At k = 1 no relevant record is visible. At k = 2, D appears: precision 1/2, recall 1 and RR@2 = 1/2.
K10 · Unknown relevance, always ideal ordering
Unknown relevance, always ideal ordering
NeedSupplied orderkExpected reading
Q5A,B,C,D,E,F2B may be relevant or not. Either way, all relevant records are within the first two ranks and the order stays ideal: recall, RR and nDCG are 1. Precision remains unknown.

Prepare a reproducible evaluation

Prepare a reproducible evaluation
Suggested checkRecord to retain
NeedsRepresentative and unanswerable questions; specify the documentary need behind each wording.
CorpusDocument and index versions, accessible scope and deletion or revocation rules.
JudgmentsRelevance rule, assessors, disagreements and unjudged state; do not equate clicks with documentary truth.
ProtocolSame k, filters, data and conventions before and after a retrieval change.
RegressionPer-query and per-need-family results, gaining and losing cases, hypothesis and checks on new documents.
Final answerEvaluate faithfulness, citations, useful refusals and permissions separately; better retrieval scores do not validate this stage.

For a reviewable decision, keep the question, ranking, judgments, k and corpus limitations with the score. One average can conceal a regression on a critical need. Error tracking and answer review remain necessary even when the first records are relevant.

Sources, editions and credits

Original CIE explanations, six documents, five needs, judgments and scenarios. Conceptual references: Stanford CS276 and NIST TREC’s reciprocal-rank definition. No source chart, ranking example or code is reproduced. The CIE program and its unavailable-value conventions are not a complete trec_eval implementation.

Stanford CS276 · Retrieval evaluation · 2019 course archive · PDF pp. 3, 5–6 · consulted 2026-10-23

SHA-256 : be38261a8cdbc95551a502504d0a1c146ea453ffd9712243ea067ac8538c1826

NIST TREC · Reciprocal rank definition · Repository snapshot 35cf096ba6d5ae08ca4803c056b31ed61a56a6d4 · consulted 2026-10-23

SHA-256 : 64159909e6e1e4e9e4dd3c569b119fdc90696d0b03cd902e6a9358dcd6e84677

Offizielle Referenzen

Die Referenzen unterstützen die Methode. Passen Sie die Prüfungen an Ihren Kontext an; sie stellen keine Zertifizierung dar. Originalreferenztitel und Quelldokumente können in einer anderen Sprache verfasst sein.

Referenzen geprüft am .