MRR检索评估：计算首次相关结果的排名

正确资料进入候选列表之后，排在第一项还是第五项也会影响阅读体验。平均倒数排名MRR关注每个问题的第一份相关结果出现在哪里，适合补充观察检索排序。

浅色主题概念配图，选自本站AI生成图库；非事件现场或产品实测截图。

先为相关结果建立判断依据

自拟三道问题，第一份相关资料分别在第1、第2位，第三道在检查范围内未找到。倒数排名分别为1、1/2和0，平均为1/2。相关性标签应根据问题和原文确定，不能把系统自己打的高分当成标准答案。

它只关注第一次命中

一份列表在首位命中后，后面遗漏很多相关资料，MRR也不会反映全部损失。因此需要多份证据才能回答的问题，还要检查覆盖情况。别把MRR与用于合并多个排名的RRF混淆，两者用途不同。

比较时固定候选范围

记录截断到前几项、相关性标准和问题集版本。第三道题的0表示在本次检查范围没有命中，不证明全库没有资料。下例仅计算手工给出的虚构排名，没有测试本站知识库或模型性能。

可以运行的练习

from fractions import Fraction
ranks = [1, 2, None]
reciprocal = [Fraction(1, r) if r is not None else Fraction(0) for r in ranks]
assert reciprocal == [Fraction(1), Fraction(1, 2), Fraction(0)]
mrr = sum(reciprocal) / len(reciprocal)
assert mrr == Fraction(1, 2)
print(float(mrr))

示例已在本地隔离环境运行检查。使用固定输入，不访问外部接口，也不读取真实业务文件。