直接回答：RAGAS 把 RAG 质量拆成两维四类指标：检索侧看 context precision（召回的块有多少真的相关）与 context recall（标准答案所需信息被召回的比例）；生成侧看 faithfulness（答案是否忠于检索内容、有无编造）与 answer relevancy（答案是否切题）。评测不需要人工标注，用 LLM 拆解答案逐条比对上下文即可自动跑分，适合接入 CI。

展开解析：流水线搭法：先沉淀评测集——从真实用户 query 里挑 100~500 条，每条配标准答案或关键事实点，这是最重要的资产，比选哪个框架重要得多。然后固化评测脚本：跑全链路输出答案与召回上下文，逐条算四类指标，记录版本号（分块策略、embedding 模型、prompt 版本）与分数。每次改动（换模型、调块大小、改 prompt）必须跑回归，指标下降就拦截。注意指标的坑：LLM 评分有噪声，单条不可信，要看整体分布与显著差异；context recall 依赖标准答案完整性，答案不全时该指标失真；线上还要补用户侧信号（点赞点踩、改写率）做闭环，离线高分不等于线上好用。

追问方向：没有标准答案时如何评测召回？评测集如何防过拟合？A/B 实验与离线评测如何配合？

（约 450 字）