一句话定义：MRR（Mean Reciprocal Rank，平均倒数排名）看“第一个相关结果排多靠前”；nDCG（normalized Discounted Cumulative Gain，归一化折损累计增益）看“整个排序列表排得好不好”，尤其是否把更相关的内容放更前。
怎么理解
搜索、推荐、RAG 检索都会返回一个列表。MRR 对每个查询只认第一个相关结果：若它排第 1，得 1；排第 2，得 1/2；排第 5，得 1/5；一个都没有，得 0。把所有查询的得分平均，就是 MRR。它像点外卖：你只关心“第一家有这道菜的店”出现在列表第几位，后面还有多少家不重要。
nDCG 则给每个位置的结果打分。常见算法先算 DCG（Discounted Cumulative Gain，折损累计增益）：DCG = Σ(2^{rel_i}−1)/log2(i+1)。rel_i 是第 i 位结果的相关性等级，比如 0 不相关、1 一般、2 高度相关；位置越靠后，分母越大，得分被“折损”。再除以理想排序的 DCG（IDCG，Ideal DCG），得到 nDCG = DCG / IDCG，通常在 0 到 1 之间，越接近 1 越好。它像整理书架：最相关的书要放最顺手的位置，而且不止第一本，后面几本也要按重要程度排好。
| 维度 | MRR | nDCG |
|---|---|---|
| 关注点 | 第一个相关结果的位置 | 整个列表的排序质量 |
| 相关性 | 通常二值：相关/不相关 | 可分等级：不相关/一般/高度相关 |
| 后续结果 | 不看 | 看，但越靠后权重越低 |
| 适用场景 | 问答、导航、唯一答案 | 搜索、推荐、多相关结果 |
| 取值 | 0~1，越高越好 | 0~1，越高越好 |
和相邻概念的区别
Precision/Recall 关心“找得准不准、全不全”，不关心第几位。Hit Rate@K 只看前 K 个里有没有相关结果，不关心排第几；MRR 关心第一个相关结果有多靠前。MAP（Mean Average Precision）也看排序，但通常按二值相关性计算；nDCG 能处理多级相关性，所以更适合“相关程度有高低”的场景。实际评估常写 nDCG@10、MRR@5，意思是只看前 10 或前 5 个位置。
实际意义
做搜索、推荐、RAG 的人，如果用户通常只要一个答案，优先看 MRR；如果用户会浏览一屏结果，nDCG 更能反映整体体验。普通职场人汇报排序效果时，别只说“准确率”，可以问一句：我们看的是第一个答案够不够前，还是整页排序够不够好？具体指标实现、截断位置和相关性标注规则，以业务目标和官方评估文档为准。