RAG 系统上线后无法逐条人工查看时，怎样持续评估检索和回答质量？

评测集阶段可以自己构造数据测试，但真正上线以后不可能每次人工看答案，上线以后怎么知道系统效果好不好？

有没有什么办法去看上线之后的检索效果？回答效果应该怎么评估？

如果暂时不考虑耗时，主要看“检索内容对不对、生成答案好不好”，应该怎么看这些质量？

现在已经有很多线上 RAG 系统，业界一般怎么做 RAG 效果评估？

你自己会怎么评估？