本次查询：Answer Relevance
中文解释：答案相关性
常见场景：RAG系统评测 / 大模型问答效果验证 / 信息检索质量检测 / 智能客服对话优化
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。