Как тестировать отказ RAG-ассистента, когда в базе нет ответа

Шаблон входа для переноса примера на свою коллекцию: для каждого вопроса заведите поля id, question, expected_doc_ids, retrieved_doc_ids и, где требуется, index_version. Согласуйте с предметным владельцем, что именно считается релевантным, доступным и актуальным источником. Это рабочая схема сбора данных, а не универсальный формат API. В таблице ревью отдельно отметьте спорные случаи, которые нельзя разрешить одной лишь строковой операцией.

Пошаговая проверка

1. Создайте файл scripts/check_retrieval.py; скопируйте Python-шаблон целиком. Использованные названия библиотечных функций сверены с официальными страницами в конце статьи.
2. Запустите python scripts/check_retrieval.py локально. Сопоставьте консольный вывод с ожидаемым результатом в описании входа; демонстрация обязана проходить без внешнего API и ключей.
3. Проверьте доступность документов по правилам пользователя до вызова функции. Выполните оба сценария: пустая выдача возвращает отказ, непустая — только разрешение перейти к генерации, но не выдуманный ответ. В приложении добавьте проверку статуса перед вызовом модели; при no_evidence не передавайте запрос в ветку генерации ответа по внутренним документам. Создайте отдельный тест случая, когда поисковый сервис недоступен: сетевой сбой нельзя безоговорочно выдавать за отсутствие информации. После публикации отслеживайте ID негативных случаев и проверяйте их разметку.
4. Для регрессии положите тот же файл в репозиторий и добавьте workflow из второго блока в .github/workflows/rag-retrieval.yml. Проверка запускается на pull_request с разрешением contents: read; не передавайте в неё настоящие секреты и закрытые документы.
5. Откройте job retrieval-check в Actions на конкретном коммите. Сравните исходные ID и обнаруженные нарушения с локальным прогоном. При расхождении проверьте версию фикстур и скрипта, а не меняйте эталон до выяснения причины.

# scripts/check_retrieval.py
import json
def answer_route(question, allowed_docs):
    if not isinstance(question,str) or not question.strip():
        raise ValueError("question required")
    if not allowed_docs:
        return {"status":"no_evidence",
                "answer":"В доступных документах нет подтверждения ответа.",
                "source_ids":[]}
    return {"status":"needs_generation", "answer":None,
            "source_ids":[doc["id"] for doc in allowed_docs]}
negative = answer_route("Как изменён регламент?", [])
positive = answer_route("Когда сдавать акт?", [{"id":"D-4"}])
assert negative["status"] == "no_evidence" and not negative["source_ids"]
assert positive["status"] == "needs_generation"
print(json.dumps(negative, ensure_ascii=False, allow_nan=False))

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

Реалистичный пример результата

Вход: Вопрос Q-31 «Как изменён регламент?» получает пустой список документов. Ожидается status=no_evidence и сообщение без придуманного пункта регламента. После запуска ожидается исход, явно проверяемый инструкциями assert в коде. Не публикуйте вымышленное значение как измеренную характеристику вашей поисковой системы. Для рабочего отчёта приложите версию индекса, выбранные фильтры, размер размеченного набора, дату фиксации эталона и список ID провалившихся случаев. По каждому ID откройте первичный документ, прежде чем менять конфигурацию ранжирования: неправильно размеченный источник может выглядеть как технический дефект.

Типовые ошибки и ограничения

Непустая выдача не гарантирует, что найденные документы отвечают на вопрос. Для этой ситуации требуется отдельный порог релевантности и предметная оценка. Пример не утверждает, что конкретная модель всегда соблюдает текст инструкции: решение об отказе принимается кодом до вызова модели. При расширении теста сначала добавьте отрицательный случай: намеренно испортите один элемент фикстуры и убедитесь, что проверка обнаружила его. Затем верните исходный набор и проверьте положительный случай. Это важнее зелёного CI на данных, где ошибка случайно отсутствует. Не логируйте полный ответ модели, содержимое закрытых документов или персональные сведения только ради диагностики.

Отдельно разделяйте ошибку данных, ошибку ранжирования и ошибку генерации. Если тест выполняется на другом индексе или другой редакции источника, результат нельзя напрямую сравнить с предыдущим. Снимок исходной выдачи, код и эталон должны относиться к одному запросу и одной версии доступных документов. Указанный демонстрационный результат не устанавливает порог качества для бизнеса; порог согласуют по отдельному размеченному набору и цене ошибки.

Чек-лист финальной проверки

• Задача теста и применимость понятны владельцу корпуса.
• Входные ID и эталон не взяты из ответа оцениваемой модели.
• Демо запускается локально и даёт ожидаемый результат.
• Преднамеренно неверный вход обнаруживается проверкой.
• Зафиксированы версия индекса, редакция документов и условия доступа.
• В логах CI нет приватных документов и секретов.
• Разделены ошибка поиска, ошибка эталона и ошибка генерации.
• После исправления проверены соседние пограничные случаи.