Как вычислить MAP@K для нескольких релевантных RAG-документов

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}, выдача [A,B,C] при K=3: AP=(1+2/3)/2=5/6. Q1 даёт 5/6, Q2 даёт 1/2; MAP@3 равен 2/3 на двух синтетических запросах. 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. Сначала пометьте релевантные ID отдельно для каждого вопроса. Запустите фикстуру и проверьте вклад A на месте 1 и C на месте 3. Затем опустите C за границу K: AP должен упасть, даже если A остался первым. В рабочем сравнении укажите K, состав вопросов и полноту разметки; одинаковые ID не должны встречаться повторно в списке. Выведите AP по каждому запросу, а не только усреднение, чтобы увидеть проблемные темы.
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
def ap_at_k(gold,ranked,k):
    if not gold or k<=0: raise ValueError("gold and k required")
    if len(ranked)!=len(set(ranked)): raise ValueError("duplicate IDs")
    found=0;total=0.0
    for i,doc in enumerate(ranked[:k],1):
        if doc in gold:
            found+=1
            total+=found/i
    return total/len(gold)
q1=ap_at_k({"A","C"},["A","B","C"],3)
q2=ap_at_k({"D"},["X","D","Y"],3)
assert abs(q1-5/6)<1e-12 and q2==0.5
print("MAP@3:",(q1+q2)/2)

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

Метрика предполагает бинарную релевантность; для нескольких уровней пригодности полезнее NDCG. Если некоторые релевантные документы неизвестны разметчикам, AP будет вводить в заблуждение. 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

Оценить не только факт попадания документов, но и раннее появление каждого релевантного источника. 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}, выдача [A,B,C] при K=3: AP=(1+2/3)/2=5/6. При успешном тесте ожидается: Q1 даёт 5/6, Q2 даёт 1/2; MAP@3 равен 2/3 на двух синтетических запросах. Не превращайте это в числовой KPI: здесь проверяется контракт на конкретных примерах, а не поведение модели на пользовательском трафике.

Метрика предполагает бинарную релевантность; для нескольких уровней пригодности полезнее NDCG. Если некоторые релевантные документы неизвестны разметчикам, AP будет вводить в заблуждение. 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.