忠实度

它是什么

忠实度是生成回答是否忠实使用给定资料且没有添加资料无法支持主张的质量维度。在评估、可观测性与质量中，忠实度主要用于衡量回答是否严格依据给定材料，是检索类系统最有说服力的质量指标。[S1][S2]

为什么需要它

掌握忠实度的核心价值在于明确其适用范围与设计目标。如果脱离具体业务约束，不衡量有用性，完全忠实但答非所问的回答，忠实度依然是满分。作为评估、可观测性与质量的核心概念，透彻掌握忠实度有助于推导整个系统的设计基准。

它如何工作

在系统运转过程中，忠实度的实现重点在于输入约束、中间处理与输出验证的闭环。具体到工程落地，围绕「衡量回答是否严格依据给定材料，是检索类系统最有说服力的质量指标」这一核心任务，忠实度在运行时会针对输入与约束进行动态校验，并通过标准处理链路达成预期状态。通过将抽象目标拆解为可复核的步骤，忠实度能够稳定支撑上层应用的业务逻辑。

必须澄清的误会

忠实度 ≠ 依据一致性。 忠实度要求回答不超出材料，依据一致性允许结合常识但要求关键结论有材料支撑，宽严不同。 忠实度 ≠ 幻觉。 幻觉是现象，忠实度是把这一现象量化之后的指标，前者定性后者定量。

真实例子

例如在推进评估、可观测性与质量相关的实际工程中，团队若要达成衡量回答是否严格依据给定材料，是检索类系统最有说服力的质量指标。，往往会以忠实度作为关键控制点或评价标准。深入研读 AI Test, Evaluation, Validation and Verification 和 Assessing Risks and Impacts of AI - ARIA Pilot Evaluation Report 中给出的案例与方案，能够清晰还原忠实度在端到端链路里的输入输出约束与实际运转效果。

什么时候适合与不适合

适合的场景：当系统面临明确的需求，且目标集中在衡量回答是否严格依据给定材料，是检索类系统最有说服力的质量指标时，引入忠实度能提供坚实的方法论支撑与执行标准。

不适合的场景：如果面临超出边界的挑战，尤其是不衡量有用性，完全忠实但答非所问的回答，忠实度依然是满分，切忌将忠实度作为兜底方案，否则容易引发过度设计或隐藏系统瓶颈。

亲自试一下

拿一件你正在处理的事试一次：用约 30 分钟，抽 10 条带检索的回答，逐句判断「这句话在材料里有没有依据」，算出有依据句子的比例。

接下来学什么

建议接着研读 AI 评估 与 幻觉，从不同维度审视忠实度与其他架构模块的协同配合。将忠实度放回整体生命周期中审视，有助于形成更加立体的系统认知。

来源与修订

本篇关于忠实度的内容参考了 AI Test, Evaluation, Validation and Verification 和 Assessing Risks and Impacts of AI - ARIA Pilot Evaluation Report 等专业文献与行业实践规范。技术核验完成于 2026-08-20，若后续该领域的官方接口规范、学术共识或基准评测出现重大更新，应基于一手变更事实启动对忠实度正文的同步修订。