如何证明 RAG 系统端到端回答效果变好，而不只是召回指标提升？

评测集Recall@5达到100%，分析这个指标局限性，哪些问题该指标发现不了。

优化切分后，召回率得到了提升。那你们最终是怎么判断整个客服系统的回答效果是真的变好了，而不只是召回指标好看。

大模型应用中的召回率从 78% 提升到 89%，你会如何确认改动确实有效？