Как проверить, меняется ли качество RAG-поиска при K=1, 3 и 5

Перед запуском запишите, какие данные считаются входом, что является ожидаемым результатом, что именно означает отказ и кому предстоит разбирать расхождение. Для такой проверки храните тестовый вход, ожидаемый результат и фактический исход раздельно: если они смешаны, тест может подтверждать сам себя. Используйте стабильные синтетические ID, чтобы видеть ошибку в журнале, не раскрывая содержимое клиентских обращений.

Сначала прогоните тест на маленьком входе, где правильное поведение известно вручную. Затем внесите одну контролируемую ошибку и убедитесь, что код её замечает. После этого верните корректный набор и только тогда расширяйте проверку до реальных данных. Не переносите демонстрационные численные значения или пороги в производство без отдельного обоснования: они выбраны для наглядности, а не рассчитаны по вашей аудитории.

Вход и ожидаемый результат

Эталон {A,C}, список [B,A,D,C,E]; Recall@1=0, @3=0.5, @5=1. Вывод {1: 0, 3: 0.5, 5: 1.0} относится только к пяти вымышленным ID. Перед тем как применять правило к закрытым данным, обсудите пограничные случаи, которые могут поменять интерпретацию входа. Запись в документации о границах теста не менее важна, чем зелёный check.

Пошаговые действия

1. Создайте scripts/check.py в корне репозитория и вставьте код из блока ниже. Он использует названия функций стандартной библиотеки, указанные в официальных ссылках в конце статьи.
2. Выполните python scripts/check.py локально. Не продолжайте, если уже демонстрационная фикстура даёт иной результат: сначала проверьте копирование кода и кодировку файла.
3. Зафиксируйте одну выдачу и один эталон до перебора K. Запустите код и проверьте позиции A и C вручную. Повторите на полном наборе запросов и сохраняйте в отчёте изменение по каждому вопросу, а не только среднюю кривую. Для выбора K добавьте Precision@K и проверку фактического качества ответа на тех же вопросах. Сравнивайте модели при одинаковом индексе и разметке; не подбирайте K по финальному тесту, если он должен оставаться независимым.
4. Создайте .github/workflows/ai-corpus-check.yml из YAML-шаблона. Событие pull_request полезно для проверки данных до слияния; чтение репозитория ограничено permissions: contents: read. Скрипт не должен получать ключ внешней модели или реальные секреты.
5. В разделе Actions откройте job check, сопоставьте его код завершения с локальным прогоном и зафиксируйте ссылку на проверенный коммит в PR. Не принимайте зелёный результат на старой ревизии за проверку последнего изменения.

# scripts/check.py
gold={"A","C"}
ranked=["B","A","D","C","E"]
def recall(k):
    if not gold or k<=0: raise ValueError("bad input")
    return len(gold.intersection(ranked[:k]))/len(gold)
curve={k:recall(k) for k in (1,3,5)}
assert curve=={1:0,3:0.5,5:1.0}
assert list(curve.values())==sorted(curve.values())
print("Recall by K:",curve)

name: AI corpus checks
on:
  pull_request:
permissions:
  contents: read
jobs:
  check:
    runs-on: ubuntu-latest
    steps:
      - uses: actions/checkout@v7
      - uses: actions/setup-python@v7
        with:
          python-version: '3.13'
      - run: python scripts/check.py

Ошибки интерпретации и границы

Монотонность Recall@K не доказывает улучшение генерации или экономичность. Если выдача содержит разные версии одного документа, дедупликация и определение релевантности требуют отдельного контракта. Если вы расширяете набор случаев, добавляйте не только новые примеры, но и отрицательные случаи, на которых тест обязан упасть. Проверяйте, что изменение expected прошло ревью отдельно от изменения кода: иначе можно незаметно изменить правило под текущий ответ системы. Избегайте вывода полного приватного набора в CI и не сохраняйте в артефактах ответ закрытой модели без решения о доступе и хранении.

Ошибка выполнения самого Python, нераспознанный формат входа и обнаруженный бизнес-дефект — разные ситуации. В сообщении теста указывайте тип проблемы и безопасный ID. Если тест требует внешний сервис, вынесите его из PR с недоверенным кодом и явно ограничьте доступ к токенам; этот пример намеренно работает локально. Перед публикацией каких-либо результатов опишите методику, область применения и происхождение примеров, иначе читатель воспримет демонстрационную арифметику как характеристику продукта.

Практический разбор именно этого контроля

Выбрать размер окна поиска осмысленно, а не по одному удачному вопросу. Для самостоятельной проверки сначала выпишите три наблюдаемых состояния: допустимый вход, намеренно недопустимый вход и видимый сигнал отказа. В данной фикстуре это выглядит так: Эталон {A,C}, список [B,A,D,C,E]; Recall@1=0, @3=0.5, @5=1. При успешном тесте ожидается: Вывод {1: 0, 3: 0.5, 5: 1.0} относится только к пяти вымышленным ID. Не превращайте это в числовой KPI: здесь проверяется контракт на конкретных примерах, а не поведение модели на пользовательском трафике.

Монотонность Recall@K не доказывает улучшение генерации или экономичность. Если выдача содержит разные версии одного документа, дедупликация и определение релевантности требуют отдельного контракта. Подключая проверку к продукту, расположите её до той операции, ради которой она написана: парсинга, сохранения, отображения или экспорта. Для каждого нового формата добавляйте отдельный негативный пример и письменное решение, почему он отклоняется. Отдельно просмотрите обработку ошибок: система должна отличать невалидный ответ AI от сбоя тестовой инфраструктуры, а пользователь не должен видеть сырой стек или приватное содержимое.