9.2 检索层评测

先给结论：检索层评测的核心，不是为了把指标背下来，而是为了判断“关键证据有没有被找回来、排在什么位置、是否被噪声挤掉”。不同指标关注的是同一问题的不同侧面，所以不能只盯一个分数。

很多人第一次做检索评测时，会很自然地问：

• 到底该看哪个指标

更稳的理解通常是：

• 不同指标不是在重复说同一件事，而是在回答不同问题

例如：

• Recall@K 更关心有没有把正确证据带进候选池
• Precision@K 更关心前 K 条里有多少是真的有用
• MRR 更关心第一条正确结果出现得够不够靠前
• nDCG 更关心整体排序质量和高相关结果的前置程度

所以这一节最重要的，不是死记定义，而是学会：

• 当系统出现某种检索问题时，应该先看哪类指标

学这一节时，最值得先建立的判断

• 检索评测不是“哪个指标最权威”，而是“哪个指标最适合当前问题”
• 召回、准确、排序位置，本来就是三类不同问题
• 单个指标升高，不代表整体检索体验一定变好
• 线上系统真正关心的不是漂亮分数，而是证据能否稳定进入后续链路

这一节会回答什么问题

• Recall@K、Precision@K、MRR、nDCG 分别在看什么？
• 怎么评估检索结果到底好不好？
• 召回率高为什么不代表用户体验一定好？
• 准确率高为什么有时又意味着覆盖不足？

读完这一节后，你最好能更稳地判断：

• 当前检索系统的问题更像“没找到”，还是“找到了但排得不行”
• 该优先补覆盖，还是优先补前排质量
• 为什么很多检索调优失败，不是因为没指标，而是因为指标和问题没对齐