这篇文章系统梳理 RAG 智能体评测的方法，从检索相关性、证据归因、答案准确性到 Agent 工具调用质量，结合 OpenAI Evals、Ragas、TruLens、LangSmith、Amazon Bedrock、BEIR 给出一套可落地的指标组合与评测流程。

这样就可以直接用 LoRA 微调后的模型推理，无需合并！

本文基于 Milvus 2.5 的混合检索能力，结合 BGE 向量化与 BM25 全文检索，配合 BGE Reranker 重排，最终调用 GPT-4.1-mini 生成高质量回答，搭建了一个端到端的 RAG 问答/推荐 Demo，适用于电商、企业知识库等场景。

作业帮把一张题目照片“秒变”成标准答案与完整解析，靠的是 “多模态 OCR → 语义检索 → 答案渲染” 三段式流水线，而不是让大模型次次现场推理。下面整理了官方访谈、公开演讲、技术博客与大会 PPT 中能查到的关键信息，尽量还原其真实的工程落地路径。作业帮的拍照搜题能力是把题目图片拆解成结构化数据后，用海量题库“记忆”答案——真正调用大模型推理只发生在极少数冷门题。具体做法是：先用包含 30 余