diff --git a/docs/WhatIsRAGAS-zh.md b/docs/WhatIsRAGAS-zh.md
new file mode 100644
index 00000000..66848e0c
--- /dev/null
+++ b/docs/WhatIsRAGAS-zh.md
@@ -0,0 +1,810 @@
+# RAGAS 评估框架详解
+
+## 什么是 RAGAS？
+
+**RAGAS**（Retrieval-Augmented Generation Assessment）是一个专门用于评估 **RAG 系统质量**的开源框架。
+
+### 核心概念
+
+```
+传统软件测试：
+  输入 → 程序 → 输出
+  ✅ 确定性：相同输入 → 相同输出
+  ✅ 容易测试：断言输出 == 期望值
+
+RAG 系统测试：
+  问题 → [检索 + LLM生成] → 答案
+  ❌ 非确定性：相同问题 → 不同答案
+  ❌ 难以测试：答案正确性难以量化
+
+RAGAS 的作用：
+  将"答案质量"量化为 0-1 分数
+  可以自动化、可比较、可追踪
+```
+
+### 为什么需要 RAGAS？
+
+**问题场景**：你改进了 RAG 系统（如：换了 embedding 模型、调整了 chunk 大小、优化了提示词），如何知道是变好了还是变差了？
+
+**传统方法**：
+- 👎 人工阅读：耗时、主观、不可扩展
+- 👎 用户反馈：滞后、不全面
+
+**RAGAS 方法**：
+- ✅ 自动评估：几分钟评估 100+ 问题
+- ✅ 客观量化：0.85 vs 0.78（明确好坏）
+- ✅ 可追踪：每次改动都可对比
+
+---
+
+## RAGAS 的四大核心指标
+
+RAGAS 从四个维度评估 RAG 系统：
+
+```
+                    RAG 系统
+                       │
+        ┌──────────────┼──────────────┐
+        ▼              ▼              ▼
+    【检索阶段】    【生成阶段】   【整体质量】
+        │              │              │
+    ┌───┴───┐      ┌───┴───┐      ┌───┴───┐
+    │Context│      │Context│      │Answer │
+    │Recall │      │Precis.│      │Relev. │
+    └───────┘      └───────┘      └───────┘
+                                       │
+                               ┌───────┴────────┐
+                               │  Faithfulness  │
+                               └────────────────┘
+```
+
+### 1. Context Precision（上下文准确性）
+
+**测量**：检索的上下文中，有多少是**真正相关**的？
+
+**问题**：检索了 10 个文档，但只有 3 个真正相关，其他 7 个是噪音
+
+**计算逻辑**：
+```python
+# 伪代码
+相关文档排名靠前 → 高分
+无关文档混在其中 → 低分
+
+# 例子
+检索结果：[相关, 相关, 无关, 相关, 无关, ...]
+Context Precision ≈ 0.75  # 前面的相关文档多
+```
+
+**实际评估方式**：
+RAGAS 使用 LLM 判断每个检索片段是否与问题相关：
+
+```
+LLM Prompt:
+---
+Question: "What is the capital of France?"
+Retrieved Context 1: "Paris is the capital and largest city of France..."
+Retrieved Context 2: "The Eiffel Tower was built in 1889..."
+
+Is Context 1 relevant to answering the question? → Yes
+Is Context 2 relevant to answering the question? → No
+```
+
+**分数解读**：
+- **0.9-1.0**：检索非常精准，几乎没有噪音
+- **0.7-0.9**：大部分相关，少量噪音
+- **0.5-0.7**：相关和无关混杂
+- **< 0.5**：检索质量差，需要优化
+
+**优化方向**：
+- 提升 embedding 模型质量
+- 调整 top_k 参数（减少检索数量）
+- 改进 reranking 策略
+
+---
+
+### 2. Context Recall（上下文召回）
+
+**测量**：黄金标准答案中的信息，有多少出现在检索的上下文中？
+
+**问题**：检索遗漏了关键信息，导致答案不完整
+
+**计算逻辑**：
+```python
+# 黄金标准答案包含 5 个事实
+ground_truth = [
+    "巴黎是法国首都",
+    "位于塞纳河畔",
+    "人口约 220 万",
+    "是欧洲最大城市之一",
+    "有埃菲尔铁塔等著名地标"
+]
+
+# 检索的上下文包含其中 4 个
+retrieved_contexts_contain = [
+    "巴黎是法国首都",  # ✓
+    "位于塞纳河畔",    # ✓
+    "人口约 220 万",   # ✓
+    # 缺少"欧洲最大城市"
+    "有埃菲尔铁塔"     # ✓
+]
+
+Context Recall = 4 / 5 = 0.80
+```
+
+**实际评估方式**：
+RAGAS 将黄金答案拆分为多个"句子/陈述"，然后用 LLM 判断每个陈述是否能从检索的上下文中推导出来：
+
+```
+LLM Prompt:
+---
+Statement from ground truth: "Paris is the capital of France"
+Retrieved Contexts: [context1, context2, ...]
+
+Can this statement be inferred from the contexts? → Yes/No
+```
+
+**分数解读**：
+- **0.9-1.0**：检索到所有关键信息
+- **0.7-0.9**：漏掉少量次要信息
+- **0.5-0.7**：漏掉一些关键信息
+- **< 0.5**：检索不足，严重遗漏
+
+**优化方向**：
+- 增加 top_k（检索更多文档）
+- 改进 chunking 策略（避免关键信息被切分）
+- 优化查询改写（query rewriting）
+
+---
+
+### 3. Faithfulness（忠实度）
+
+**测量**：生成的答案是否**基于检索到的上下文**？还是 LLM 在"幻觉"？
+
+**问题**：LLM 生成了听起来合理但实际错误的信息
+
+**计算逻辑**：
+```python
+# 将答案拆分为多个陈述
+answer = "巴黎是法国首都，位于塞纳河畔，人口约 500 万。"
+
+statements = [
+    "巴黎是法国首都",      # ✓ 上下文支持
+    "位于塞纳河畔",        # ✓ 上下文支持
+    "人口约 500 万"        # ✗ 上下文说是 220 万（幻觉！）
+]
+
+Faithfulness = 2 / 3 = 0.67  # 有幻觉，分数低
+```
+
+**实际评估方式**：
+```
+LLM Prompt:
+---
+Context: "Paris is the capital of France, located on the Seine River,
+          with a population of about 2.2 million."
+
+Answer Statement: "Paris has a population of about 5 million."
+
+Can this statement be verified from the context? → No (Hallucination)
+```
+
+**分数解读**：
+- **0.9-1.0**：答案完全基于事实，无幻觉
+- **0.7-0.9**：少量不可验证的陈述
+- **0.5-0.7**：有明显幻觉
+- **< 0.5**：严重幻觉，不可信
+
+**优化方向**：
+- 调整 LLM prompt（强调"仅基于上下文回答"）
+- 使用更可靠的 LLM 模型
+- 减少生成的 temperature（降低随机性）
+
+---
+
+### 4. Answer Relevancy（答案相关性）
+
+**测量**：答案是否真正回答了用户的问题？
+
+**问题**：答案虽然基于事实，但答非所问
+
+**计算逻辑**：
+```python
+Question: "What is the capital of France?"
+
+Answer A: "Paris is the capital of France."
+→ Answer Relevancy = 1.0  # 完美回答
+
+Answer B: "France is a country in Europe. It has many beautiful cities
+           including Paris, Lyon, Marseille..."
+→ Answer Relevancy = 0.65  # 包含答案但啰嗦
+
+Answer C: "France has a population of 67 million people."
+→ Answer Relevancy = 0.2   # 完全跑题
+```
+
+**实际评估方式**：
+RAGAS 使用"反向问题生成"：
+
+```
+Step 1: 根据答案生成问题
+Answer: "Paris is the capital of France"
+Generated Question: "What is the capital of France?"
+
+Step 2: 计算原问题和生成问题的相似度
+Original Question: "What is the capital of France?"
+Generated Question: "What is the capital of France?"
+Similarity: 1.0 → High Relevancy
+
+如果答案答非所问：
+Answer: "France has 67 million people"
+Generated Question: "What is the population of France?"
+Similarity to Original: 0.3 → Low Relevancy
+```
+
+**分数解读**：
+- **0.9-1.0**：直接回答问题，无冗余
+- **0.7-0.9**：回答了问题但有冗余信息
+- **0.5-0.7**：部分回答或答非所问
+- **< 0.5**：完全不相关
+
+**优化方向**：
+- 改进 prompt（要求简洁直接的答案）
+- 调整生成长度限制
+- 使用更好的指令跟随模型
+
+---
+
+## RAGAS 如何工作？
+
+### 工作流程
+
+```
+┌─────────────────────────────────────────────────────────────┐
+│ 1. 准备测试数据集                                            │
+│    - 问题列表                                                │
+│    - 黄金标准答案（ground truth）                            │
+└────────────────┬────────────────────────────────────────────┘
+                 ▼
+┌─────────────────────────────────────────────────────────────┐
+│ 2. 运行 RAG 系统                                             │
+│    Question → RAG System → {answer, contexts}               │
+└────────────────┬────────────────────────────────────────────┘
+                 ▼
+┌─────────────────────────────────────────────────────────────┐
+│ 3. RAGAS 自动评估                                            │
+│    使用评估 LLM（如 GPT-4o-mini）分析：                      │
+│    - 答案是否忠实于上下文？                                  │
+│    - 答案是否相关？                                          │
+│    - 检索是否完整？                                          │
+│    - 检索是否精准？                                          │
+└────────────────┬────────────────────────────────────────────┘
+                 ▼
+┌─────────────────────────────────────────────────────────────┐
+│ 4. 输出分数报告                                              │
+│    Faithfulness:      0.87                                  │
+│    Answer Relevancy:  0.91                                  │
+│    Context Recall:    0.82                                  │
+│    Context Precision: 0.75                                  │
+│    Overall RAGAS:     0.84                                  │
+└─────────────────────────────────────────────────────────────┘
+```
+
+### 数据格式
+
+RAGAS 需要的输入数据：
+
+```python
+from datasets import Dataset
+
+# 测试数据集格式
+test_dataset = Dataset.from_dict({
+    "question": [
+        "What is the capital of France?",
+        "Who founded Apple Inc.?",
+    ],
+    "answer": [
+        "Paris is the capital of France.",  # RAG 系统生成的答案
+        "Steve Jobs and Steve Wozniak founded Apple Inc.",
+    ],
+    "contexts": [
+        [  # 检索到的上下文（列表）
+            "Paris is the capital and largest city of France...",
+            "The city is located on the Seine River...",
+        ],
+        [
+            "Apple Inc. was founded by Steve Jobs, Steve Wozniak...",
+        ],
+    ],
+    "ground_truth": [
+        "Paris",  # 黄金标准答案
+        "Steve Jobs and Steve Wozniak",
+    ],
+})
+```
+
+### 评估 LLM 的作用
+
+**关键点**：RAGAS 使用**另一个 LLM**（评估 LLM）来评估你的 RAG 系统。
+
+```
+你的 RAG 系统:
+  使用 LLM A（如 Qwen-7B）生成答案
+        ↓
+RAGAS 评估:
+  使用 LLM B（如 GPT-4o-mini）评估答案质量
+```
+
+**为什么这样设计？**
+- LLM 擅长理解语义和推理
+- 可以判断"答案是否基于上下文"、"是否相关"等复杂问题
+- 比简单的字符串匹配更智能
+
+**成本**：
+- 评估一个问题通常需要 4-8 次 LLM 调用（每个指标 1-2 次）
+- 推荐使用便宜的模型如 GPT-4o-mini（$0.15/1M tokens）
+- 评估 100 个问题的成本约 $0.50-1.00
+
+---
+
+## LightRAG 中的 RAGAS 使用
+
+### 内置评估工具
+
+LightRAG 已经集成了 RAGAS：`lightrag/evaluation/eval_rag_quality.py`
+
+### 快速开始
+
+#### 步骤 1: 安装依赖
+
+```bash
+pip install ragas datasets langchain-openai
+```
+
+#### 步骤 2: 准备测试数据集
+
+```bash
+# 创建测试数据集
+cat > lightrag/evaluation/my_test.json << 'EOF'
+{
+  "test_cases": [
+    {
+      "question": "LightRAG 支持哪些向量数据库？",
+      "ground_truth": "LightRAG 支持多种向量数据库，包括 Milvus、Qdrant、ChromaDB、Neo4j 等。",
+      "project": "lightrag_docs"
+    },
+    {
+      "question": "如何提高 LightRAG 的索引速度？",
+      "ground_truth": "可以通过增加 max_async 参数、使用更快的 LLM、禁用 gleaning 等方式提高索引速度。",
+      "project": "lightrag_docs"
+    }
+  ]
+}
+EOF
+```
+
+#### 步骤 3: 配置评估 LLM
+
+```bash
+# 创建 .env 文件
+cat > .env << 'EOF'
+# 评估使用的 LLM（推荐使用便宜的模型）
+EVAL_LLM_MODEL=gpt-4o-mini
+EVAL_LLM_BINDING_API_KEY=sk-your-api-key-here
+
+# 评估使用的 Embedding 模型
+EVAL_EMBEDDING_MODEL=text-embedding-3-small
+
+# 如果使用自定义端点（如 vLLM、Ollama）
+# EVAL_LLM_BINDING_HOST=http://localhost:8000/v1
+
+# 并发数（同时评估多少个问题）
+EVAL_MAX_CONCURRENT=2
+EOF
+```
+
+#### 步骤 4: 运行 LightRAG 服务器
+
+```bash
+# 启动 LightRAG（确保已经索引了相关文档）
+python -m lightrag.api.lightrag_server
+```
+
+#### 步骤 5: 运行评估
+
+```bash
+# 评估默认数据集
+python lightrag/evaluation/eval_rag_quality.py
+
+# 评估自定义数据集
+python lightrag/evaluation/eval_rag_quality.py \
+    --dataset lightrag/evaluation/my_test.json \
+    --ragendpoint http://localhost:9621
+```
+
+### 输出示例
+
+```
+======================================================================
+🔍 RAGAS Evaluation - Using Real LightRAG API
+======================================================================
+Evaluation Models:
+  • LLM Model:            gpt-4o-mini
+  • Embedding Model:      text-embedding-3-small
+  • LLM Endpoint:         OpenAI Official API
+
+Test Configuration:
+  • Total Test Cases:     2
+  • Test Dataset:         my_test.json
+  • LightRAG API:         http://localhost:9621
+  • Results Directory:    results
+
+======================================================================
+🚀 Starting RAGAS Evaluation of LightRAG System
+🔧 RAGAS Evaluation (Stage 2): 2 concurrent
+======================================================================
+
+Eval-01: 100%|████████████████████████| 4/4 [00:12<00:00]
+Eval-02: 100%|████████████████████████| 4/4 [00:11<00:00]
+
+======================================================================
+📊 EVALUATION RESULTS SUMMARY
+======================================================================
+#    | Question                                           | Faith  | AnswRel | CtxRec | CtxPrec | RAGAS  | Status
+--------------------------------------------------------------------------------------------------------------------------
+1    | LightRAG 支持哪些向量数据库？                       | 0.9200 | 0.9500  | 0.8800 | 0.8200  | 0.8925 | ✓
+2    | 如何提高 LightRAG 的索引速度？                      | 0.8800 | 0.9100  | 0.8500 | 0.7800  | 0.8550 | ✓
+======================================================================
+
+======================================================================
+📊 EVALUATION COMPLETE
+======================================================================
+Total Tests:    2
+Successful:     2
+Failed:         0
+Success Rate:   100.00%
+Elapsed Time:   25.43 seconds
+Avg Time/Test:  12.72 seconds
+
+======================================================================
+📈 BENCHMARK RESULTS (Average)
+======================================================================
+Average Faithfulness:      0.9000
+Average Answer Relevance:  0.9300
+Average Context Recall:    0.8650
+Average Context Precision: 0.8000
+Average RAGAS Score:       0.8738
+----------------------------------------------------------------------
+Min RAGAS Score:           0.8550
+Max RAGAS Score:           0.8925
+
+======================================================================
+📁 GENERATED FILES
+======================================================================
+Results Dir:    /path/to/lightrag/evaluation/results
+   • CSV:  results_20250119_143022.csv
+   • JSON: results_20250119_143022.json
+======================================================================
+```
+
+### 结果解读
+
+#### 问题 1 分析
+
+```
+Question: "LightRAG 支持哪些向量数据库？"
+
+Faithfulness:      0.92  ✅ 答案基本基于事实
+Answer Relevancy:  0.95  ✅ 直接回答了问题
+Context Recall:    0.88  👍 检索到大部分相关信息
+Context Precision: 0.82  👍 检索较精准但有少量噪音
+
+RAGAS Score: 0.8925  ✅ 整体质量优秀
+```
+
+**这意味着什么？**
+- ✅ RAG 系统正确回答了问题
+- ✅ 答案基于检索到的文档，没有幻觉
+- ⚠️ Context Precision 0.82 表示检索了一些不太相关的内容
+- 💡 优化建议：可以调整 top_k 或使用 reranking
+
+#### 问题 2 分析
+
+```
+Question: "如何提高 LightRAG 的索引速度？"
+
+Faithfulness:      0.88  👍 答案较为忠实
+Answer Relevancy:  0.91  ✅ 回答了问题
+Context Recall:    0.85  👍 检索到大部分信息
+Context Precision: 0.78  ⚠️ 检索有较多噪音
+
+RAGAS Score: 0.8550  👍 质量良好
+```
+
+**这意味着什么？**
+- ✅ 基本回答正确
+- ⚠️ Faithfulness 0.88 表示可能有轻微幻觉或不可验证的陈述
+- ⚠️ Context Precision 0.78 表示检索了不少无关内容
+- 💡 优化建议：
+  - 改进 chunking（确保相关信息在同一 chunk）
+  - 调整 embedding 模型
+  - 添加元数据过滤
+
+---
+
+## RAGAS 的限制和注意事项
+
+### 1. 依赖评估 LLM 的质量
+
+**问题**：如果评估 LLM 本身有偏见或错误怎么办？
+
+```python
+# 示例：评估 LLM 可能犯错
+Question: "某专业领域的深度问题"
+Answer: "（正确但技术性强的答案）"
+
+评估 LLM（GPT-4o-mini）可能：
+- 误判为不相关（因为不理解专业术语）
+- 误判为幻觉（因为超出其知识范围）
+```
+
+**解决方案**：
+- 使用更强的评估模型（如 GPT-4o 而非 GPT-4o-mini）
+- 在特定领域使用领域专家人工抽查
+- 对关键指标进行人工校准
+
+### 2. Ground Truth 的质量
+
+**RAGAS 严重依赖黄金标准答案的质量**：
+
+```python
+# 糟糕的 Ground Truth
+{
+    "question": "What is LightRAG?",
+    "ground_truth": "It's good"  # 太简单，无法评估 Recall
+}
+
+# 好的 Ground Truth
+{
+    "question": "What is LightRAG?",
+    "ground_truth": "LightRAG is a retrieval-augmented generation framework
+                     that combines knowledge graphs with vector search to
+                     improve answer quality and relevance."
+}
+```
+
+**建议**：
+- Ground Truth 应该详细、准确
+- 包含所有关键信息点
+- 由领域专家撰写或审核
+
+### 3. 成本考虑
+
+**每个问题的评估成本**：
+
+```
+单个问题评估:
+- Faithfulness:      2-3 次 LLM 调用
+- Answer Relevancy:  1-2 次 LLM 调用
+- Context Recall:    2-4 次 LLM 调用
+- Context Precision: 2-4 次 LLM 调用
+
+总计: 7-13 次 LLM 调用
+
+使用 GPT-4o-mini ($0.15/1M input, $0.60/1M output):
+- 每个问题约 $0.01-0.02
+- 100 个问题约 $1-2
+- 1000 个问题约 $10-20
+```
+
+**省钱建议**：
+- 使用便宜的评估模型（GPT-4o-mini）
+- 使用自托管模型（如 Qwen2.5-7B）
+- 减少测试集大小（50-100 个代表性问题足够）
+
+### 4. 非确定性
+
+**同一个问题多次评估可能得到不同分数**：
+
+```python
+# 第一次运行
+RAGAS Score: 0.8523
+
+# 第二次运行（完全相同的输入）
+RAGAS Score: 0.8619
+
+# 差异原因：评估 LLM 的非确定性
+```
+
+**解决方案**：
+- 关注趋势而非绝对值（0.85 vs 0.75 是有意义的差异）
+- 使用足够大的测试集（减少随机波动）
+- 降低评估 LLM 的 temperature
+
+---
+
+## 实战建议
+
+### 1. 建立基线
+
+```bash
+# 在做任何优化之前，先建立基线
+python lightrag/evaluation/eval_rag_quality.py > baseline_results.txt
+
+# 记录基线分数
+Baseline RAGAS Score: 0.8234
+- Faithfulness:      0.8523
+- Answer Relevancy:  0.8756
+- Context Recall:    0.7945
+- Context Precision: 0.7712
+```
+
+### 2. 每次改动后重新评估
+
+```bash
+# 改动 1: 换了 embedding 模型
+# 重新评估
+python lightrag/evaluation/eval_rag_quality.py > after_embedding_change.txt
+
+# 对比
+RAGAS Score: 0.8234 → 0.8456 (+2.7%)  ✅ 改进
+- Context Recall: 0.7945 → 0.8234 (+3.6%)  # 主要改进点
+
+# 改动 2: 调整了 chunk size
+RAGAS Score: 0.8456 → 0.8123 (-3.9%)  ❌ 变差
+# 回滚改动
+```
+
+### 3. 分析单个失败案例
+
+```python
+# 查看详细的 JSON 结果
+import json
+with open('lightrag/evaluation/results/results_20250119.json') as f:
+    results = json.load(f)
+
+# 找出分数最低的问题
+lowest_score = min(results['results'], key=lambda x: x['ragas_score'])
+
+print(f"问题: {lowest_score['question']}")
+print(f"RAGAS: {lowest_score['ragas_score']}")
+print(f"答案: {lowest_score['answer']}")
+print(f"指标: {lowest_score['metrics']}")
+
+# 输出示例:
+# 问题: "如何配置自定义 LLM？"
+# RAGAS: 0.6234
+# 答案: "LightRAG supports custom LLMs..."
+# 指标: {
+#   'faithfulness': 0.5234,       # ← 低！可能有幻觉
+#   'answer_relevancy': 0.8234,
+#   'context_recall': 0.5123,     # ← 低！检索不足
+#   'context_precision': 0.6456
+# }
+#
+# 分析: 检索没找到关键信息，LLM 开始"猜测"答案
+# 解决: 确保相关文档被索引，改进检索策略
+```
+
+### 4. 针对性优化
+
+根据指标找出优化方向：
+
+| 指标低 | 可能原因 | 优化方向 |
+|--------|---------|---------|
+| **Context Precision 低** | 检索了太多无关内容 | • 减少 top_k<br>• 添加 reranking<br>• 改进 embedding 模型 |
+| **Context Recall 低** | 检索遗漏关键信息 | • 增加 top_k<br>• 优化 chunking 策略<br>• 改进查询改写 |
+| **Faithfulness 低** | LLM 产生幻觉 | • 改进 prompt（强调基于事实）<br>• 降低 temperature<br>• 使用更可靠的 LLM |
+| **Answer Relevancy 低** | 答案答非所问或冗余 | • 改进 prompt（要求简洁）<br>• 限制生成长度<br>• 使用指令跟随能力更强的 LLM |
+
+---
+
+## 与传统评估方法对比
+
+### 传统方法：人工评估
+
+```
+优点:
+✅ 最准确（人类判断）
+✅ 可以发现意外问题
+
+缺点:
+❌ 耗时（每个问题 2-5 分钟）
+❌ 成本高（需要专家时间）
+❌ 不可扩展（难以评估 100+ 问题）
+❌ 主观（不同评估者结果不一致）
+```
+
+### RAGAS 方法
+
+```
+优点:
+✅ 快速（几分钟评估 100 个问题）
+✅ 成本低（$1-2 per 100 questions）
+✅ 可扩展（轻松评估 1000+ 问题）
+✅ 客观（分数可重复、可比较）
+✅ 自动化（CI/CD 集成）
+
+缺点:
+❌ 依赖评估 LLM（可能有误判）
+❌ 需要高质量 Ground Truth
+❌ 无法发现所有类型的问题
+```
+
+### 推荐做法：混合使用
+
+```
+1. 使用 RAGAS 进行大规模自动评估（100+ 问题）
+   → 快速发现整体趋势和明显问题
+
+2. 对低分案例进行人工审查（10-20 个）
+   → 深入理解问题根源
+
+3. 定期进行人工抽查（每周/每月）
+   → 校准 RAGAS 评估，发现边缘案例
+
+4. 收集真实用户反馈
+   → 发现 RAGAS 无法覆盖的问题
+```
+
+---
+
+## 总结
+
+### RAGAS 核心价值
+
+1. **量化 RAG 质量**：将"答案好不好"从主观判断变为客观分数
+2. **快速迭代**：每次改动都能立即看到影响
+3. **多维度评估**：从检索、生成、整体三个角度全面评估
+4. **自动化**：可集成到 CI/CD 流程
+
+### 使用场景
+
+✅ **适合使用 RAGAS 的场景**：
+- 评估 RAG 系统的整体质量
+- 对比不同配置/模型的效果
+- 持续监控系统性能
+- A/B 测试新特性
+
+❌ **不适合使用 RAGAS 的场景**：
+- 评估单个组件（如只评估实体提取）→ 用专门的 Precision/Recall
+- 极高准确性要求的领域（如医疗）→ 必须人工审核
+- 没有明确答案的开放性问题 → 难以创建 Ground Truth
+
+### 下一步
+
+现在你了解了 RAGAS，可以：
+
+1. **运行第一次评估**：
+   ```bash
+   python lightrag/evaluation/eval_rag_quality.py
+   ```
+
+2. **创建自己的测试集**：
+   - 收集 20-50 个真实用户问题
+   - 为每个问题编写高质量的 Ground Truth
+
+3. **建立评估流程**：
+   - 每次重大改动前后都运行评估
+   - 追踪 RAGAS 分数变化
+   - 结合人工审查
+
+4. **持续优化**：
+   - 针对低分指标优化
+   - 定期更新测试集
+   - 收集新的边缘案例
+
+---
+
+## 参考资源
+
+- **RAGAS 官方文档**: https://docs.ragas.io/
+- **RAGAS GitHub**: https://github.com/explodinggradients/ragas
+- **论文**: "RAGAS: Automated Evaluation of Retrieval Augmented Generation"
+- **LightRAG 评估代码**: `lightrag/evaluation/eval_rag_quality.py`
+
+---
+
+需要我帮你：
+- 创建第一个测试数据集？
+- 运行实际评估？
+- 分析评估结果？