Как обнаружить повторяющиеся фрагменты в top-k RAG-поиска

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. Выполните код и проверьте, что нормализация убрала только пробелы по краям C-2. В своей системе экспортируйте результаты до формирования промпта генератора, сохранив их порядок, doc_id и source_id. Сначала диагностируйте дубли, затем устраняйте их на уровне индексации или выбора фрагментов. Проверьте, что соседние, но не одинаковые части одного документа остаются доступными. Если политика требует нескольких перекрывающихся chunk для контекста, измеряйте их отдельно, а не объявляйте дефектом любое совпадение source_id.
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 hashlib, unicodedata
rows = [("C-1","Возврат: 14 дней"),
        ("C-2","Возврат: 14 дней  "),
        ("C-3","Доставка: до двери")]
seen, duplicates = {}, []
for doc_id, text in rows[:3]:
    canonical = unicodedata.normalize("NFC", text.strip())
    digest = hashlib.sha256(canonical.encode("utf-8")).hexdigest()
    for old_id, old_text in seen.get(digest, []):
        if canonical == old_text:
            duplicates.append((old_id, doc_id))
    seen.setdefault(digest, []).append((doc_id, canonical))
assert duplicates == [("C-1","C-2")]
print("Exact duplicated content:", duplicates)

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: В top-3 лежат C-1 «Возврат: 14 дней», C-2 с тем же текстом и C-3 «Доставка: до двери». Скрипт должен показать пару C-1/C-2. 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

SHA-256 не означает смысловую близость. Два фрагмента с разным пробелом внутри строки здесь не совпадут. Если одинаковый текст имеет разную дату действия, перед удалением сравните метаданные версии: иначе можно скрыть актуальную редакцию. 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.