Как проверить, что цитата RAG действительно содержится в найденном документе

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. Определите формат цитаты в контракте генератора: отдельные поля source_id, quote и, если возможно, границы фрагмента. Выполните синтетическую проверку и убедитесь, что изменённый день недели не проходит. Подставьте снимок конкретной версии текста, который использовал генератор, а не обновлённый сегодня документ. Сравнивайте только с документом указанного ID и отдельно проверяйте права доступа к нему. Результат теста сохраните рядом с ответом без раскрытия полного текста источника в публичных логах.
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 unicodedata
sources = {"D-4":"Заявление принимается до пятницы."}
claims = [("C-1","D-4","принимается до пятницы"),
          ("C-2","D-4","принимается до субботы")]
def norm(text):
    return " ".join(unicodedata.normalize("NFC", text).split())
def grounded(source_id, quote):
    if source_id not in sources or not quote.strip():
        return False
    return norm(quote) in norm(sources[source_id])
checks = {cid:grounded(sid, quote) for cid,sid,quote in claims}
assert checks == {"C-1":True,"C-2":False}
print("Literal quote validation:", checks)

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: Документ D-4 содержит «Заявление принимается до пятницы». Цитата C-1 совпадает, C-2 «до субботы» не совпадает; ожидается отказ только для 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

Совпадение буквальной фразы подтверждает наличие текста, но не доказывает корректность вывода из него. Нормализация внутренних пробелов может принять форматную разницу, но не перевод и не смысловую эквивалентность. Короткая цитата вроде «да» мало что подтверждает: установите предметное правило минимальной информативности без магического числа. 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.