Как отделить провал RAG-поиска от отсутствия документа в индексе

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

Для Q1 эталон A содержится в индексе; для Q2 эталон Z отсутствует, хотя выдача содержит B. Q1 помечен RETRIEVED; Q2 — MISSING_FROM_INDEX и содержит ID Z. 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. Снимите инвентарь document_id с той же версии индекса, которая обслуживала тест. Запустите диагностику и проверьте, что Q2 не сводится к ошибке ранжирования. В рабочем наборе различайте отсутствие документа в исходном корпусе, неудачную индексацию и фильтрацию по правам: в примере проверяется лишь инвентарь. После восстановления источника пересоберите индекс и повторите запрос на том же эталоне. Не исключайте отсутствующие ID из общей статистики молча — публикуйте их количество отдельно.
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
index_ids={"A","B","C"}
queries={"Q1":{"gold":{"A"},"ranked":["B","A"]},
         "Q2":{"gold":{"Z"},"ranked":["B","C"]}}
def diagnose(case):
    gold=set(case["gold"])
    if not gold: return "NO_GOLD"
    missing=gold-index_ids
    if missing: return "MISSING_FROM_INDEX",sorted(missing)
    return ("RETRIEVED" if gold.intersection(case["ranked"])
            else "NOT_RETRIEVED"),[]
assert diagnose(queries["Q1"])[0]=="RETRIEVED"
assert diagnose(queries["Q2"])==("MISSING_FROM_INDEX",["Z"])
print({q:diagnose(case) for q,case in queries.items()})

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

Сравнение двух наборов ID не проверяет содержимое, актуальность и права доступа. Если снимки индекса и эталона сделаны в разные моменты, вывод может быть ложным. 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

Не обвинить ранжирование в провале, когда нужного документа вообще нет в поисковом индексе. Для самостоятельной проверки сначала выпишите три наблюдаемых состояния: допустимый вход, намеренно недопустимый вход и видимый сигнал отказа. В данной фикстуре это выглядит так: Для Q1 эталон A содержится в индексе; для Q2 эталон Z отсутствует, хотя выдача содержит B. При успешном тесте ожидается: Q1 помечен RETRIEVED; Q2 — MISSING_FROM_INDEX и содержит ID Z. Не превращайте это в числовой KPI: здесь проверяется контракт на конкретных примерах, а не поведение модели на пользовательском трафике.

Сравнение двух наборов ID не проверяет содержимое, актуальность и права доступа. Если снимки индекса и эталона сделаны в разные моменты, вывод может быть ложным. 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.