Answer Relevance (答案相关性)
Answer Relevance是评估大语言模型问答质量的常用指标，重点考察生成答案在语义上是否与问题直接相关，而不包含无关或冗余信息。在RAG（检索增强生成）系统中，它用于检验检索环节是否提供了有效上下文，以及模型是否准确利用了这些上下文来回答。该指标通常与忠实度、上下文相关性等配合使用，全面衡量AI回答的质量。
一句话解释
Answer Relevance（答案相关性）是指AI生成的答案与用户原始问题在语义上的匹配程度，它判断回答是否切题、没有跑偏，也不包含与问题无关的额外信息。
为什么会被关注
随着大语言模型在对话、搜索、客服等场景中广泛应用，用户对回答的准确性和针对性要求越来越高。Answer Relevance作为关键评估指标，能帮助开发者和产品经理快速发现模型是否“答非所问”或过度发散。尤其在RAG系统中，低相关性往往意味着检索到的文档未被合理利用，可能拉低用户体验，因此该指标成为质量监控的必选项。
业界在对比不同模型或优化提示词时，也需要用标准化的相关性评分来量化效果改善。没有这个指标，团队很难判断改动是变好还是变坏。
核心逻辑
Answer Relevance的评估通常采用两种方式：基于规则的简单匹配（如关键词重叠、余弦相似度）和基于模型的方法（使用专门的评分模型或通过LLM自身打分）。前者计算成本低，但对语义理解有限；后者精度更高，能捕捉同义表达和逻辑关联。
在RAG流程中，Answer Relevance需要同时考虑问题与检索文档的相关性以及文档与答案的相关性。常见做法是先将问题与答案送入评分器，得到一个0-1的分数；也有框架会额外剔除与问题无关的句子后再计算平均分。
常见场景
智能客服系统：当用户询问“退款流程”时，AI若回答其他售后政策或推销产品，则相关性低。开发团队会监控这个指标，确保客服回答始终与用户问题绑紧。
企业知识库问答：员工查询“薪资调整政策”，系统检索出相关的HR文档并生成摘要。Answer Relevance能检验生成的摘要是否聚焦于薪资调整，而非夹杂考勤或福利内容。
学术或技术问答平台：用户提问“如何优化数据库查询”，AI若给出通用的索引建议而非针对场景的优化方案，则相关性不足。该指标可辅助筛选高质量的自动回答。
容易混淆的点
不少开发者会把Answer Relevance和忠实度（Faithfulness）混为一谈。忠实度强调答案是否基于给定上下文、没有编造事实；而相关性关注答案是否与问题有关。一个答案可以非常忠实于文档，但与问题完全不相关（例如文档中有其他内容）。两者需要独立评估。
还有用户容易与检索相关性（Search Relevance）混淆。检索相关性衡量的是搜索出的文档与查询的匹配度，属于上游环节；Answer Relevance则作用于最终生成的答案。即使检索文档完全相关，模型仍可能生成不相关的回答，因此两者不能互相替代。
本文内容用于 AI 热词解释和概念整理，仅供学习和理解参考。若涉及表述偏差或内容修正，欢迎联系站点进行更新。
相关热词RAG（检索增强生成）是一种将信息检索与大语言模型生成能力相结合的技术范式。它让模型在回答前，先从外部知识库中查找相关文档，然后基于这些检索到的准确信息进行生成，从而显著提升回答的准确性、时效性和可追溯性。
检索增强生成是一种将信息检索与大语言模型生成能力相结合的技术框架。它让模型在回答前，先从外部知识库中检索相关信息作为参考，从而生成事实性更强、时效性更高且可追溯来源的内容，有效缓解大模型的“幻觉”问题。
大语言模型是一种基于海量文本数据训练的人工智能模型，能够理解、生成和推理人类语言。它通过深度学习技术，学习语言的统计规律和语义关联，从而完成对话、写作、翻译等多种任务，是当前生成式AI浪潮的核心驱动力。