Гайд · TNWS AI

Как проверить стабильность идентификаторов в AI-выгрузке JSONL

19 сентября 2026 6 мин—

Проверяем AI-выгрузку по ID: пропущенные, добавленные и повторные записи, порядок и однозначное сопоставление результатов.

Задача и применимость

При пакетной классификации заявок убедиться, что результат содержит ровно те же ID, что и вход, без пропавшего или дважды обработанного обращения. Сохраните два локальных синтетических файла data/input.jsonl и data/output.jsonl. Сопоставляйте записи по ID, а не по позиции в файле: асинхронный обработчик может изменить порядок. В этой задаче проверяются целостность и уникальность идентификаторов; качество текста и меток оценивается другим тестом. Не считайте равное число строк достаточным: одна пропажа и один дубль могут компенсироваться. Здесь используется локальная тестовая фикстура: значения приведены как пример входа и ожидаемого поведения, а не как измерение реального сервиса. Если ваш проект вызывает внешнюю модель, проверьте документацию выбранного поставщика отдельно и не считайте локальную симуляцию проверкой доступности API.

Названия методов Python, синтаксис GitHub Actions и используемые версии actions сверены с официальными первоисточниками 19.09.2026. Команды в шаблонах следует запускать в собственном репозитории после проверки путей; никакие цены, тарифы и результаты производительности в статье не предполагаются.

Подготовка данных и критерий ошибки

Перед кодом сформулируйте один проверяемый инвариант из задачи: что конкретно должно пройти и какой специально нарушенный пример обязан завершиться ошибкой. Используйте синтетические обращения и стабильные ID. Данные, попавшие в репозиторий или журнал CI, могут увидеть участники проекта; не копируйте сюда реальные обращения, ключи и закрытые документы. Фикстура не должна зависеть от сегодняшнего ответа модели: ожидаемое значение задаётся после предметной проверки.

Оставьте тестовые файлы рядом с кодом. При изменении бизнес-правила обновляйте его описание и expected осознанно, отдельным ревью. Простой зелёный запуск не является доказательством: сначала проверьте, что отрицательный кейс действительно делает job красным. Ошибка должна сообщать ID или номер строки, но не раскрывать чувствительный исходный текст.

Входная фикстура, которую можно скопировать

Сохраните строки в обозначенный ниже файл; комментарии с путями — пояснение и не входят в JSONL или CSV. Если пример показывает две версии ответа, прогоните их отдельно, как описано в шагах.

# data/input.jsonl
{"id":"T-101","input":"Срочно: платёж"}
{"id":"T-102","input":"Где чек?"}
# data/output.jsonl (в другом файле)
{"id":"T-102","priority":"normal"}
{"id":"T-101","priority":"urgent"}

Пошаговая реализация

Создайте каталог scripts и файл scripts/evaluate.py; при необходимости добавьте каталог data и пример из предыдущего блока. Убедитесь, что кодировка текстовых файлов — UTF-8.
Скопируйте скрипт ниже и запустите команду python scripts/evaluate.py локально. Для проекта с отдельным модулем замените демонстрационную функцию на импорт приложения. Сначала сохраните исходное проверяемое поведение.
Разделите текст фикстуры на два файла, как показано комментариями: строки с # не относятся к JSONL. Запустите скрипт и убедитесь, что переставленный порядок выходов не считается ошибкой. Затем удалите результат T-101 и добавьте T-999: получите одновременно missing и extra, несмотря на неизменное количество строк. Проверьте дубли отдельным повтором T-102. Подключайте проверку к batch-пайплайну после получения всех результатов, а не на полпути во время потоковой записи, когда часть записей ещё ожидается.
Добавьте workflow из следующего блока в .github/workflows/ai-evaluation.yml. Он запускается для pull request и не передаёт секреты коду из PR. Если сетевой интеграционный тест всё же необходим, выведите его в отдельный доверенный workflow и ограничьте доступ к ключу.
Откройте успешный и намеренно неуспешный запуск. Убедитесь, что статус job соответствует коду завершения Python, а сообщение указывает на кейс, который нужно исправлять. После проверки верните корректные данные, не оставляйте искусственный сбой в ветке.

# scripts/evaluate.py
import json
from pathlib import Path

def ids(path):
    result, duplicates = set(), set()
    for line in Path(path).read_text(encoding="utf-8").splitlines():
        if not line.strip(): continue
        key = json.loads(line)["id"]
        if key in result: duplicates.add(key)
        result.add(key)
    return result, duplicates

incoming, duplicate_input = ids("data/input.jsonl")
outgoing, duplicate_output = ids("data/output.jsonl")
missing, extra = incoming - outgoing, outgoing - incoming
if duplicate_input or duplicate_output or missing or extra:
    raise SystemExit(f"duplicate input={sorted(duplicate_input)}, "
                     f"duplicate output={sorted(duplicate_output)}, "
                     f"missing={sorted(missing)}, extra={sorted(extra)}")
print("Every input ID has exactly one output ID")

Готовый workflow для проверки в pull request

Файл ниже запускает скрипт через Python. permissions: contents: read оставляет встроенному токену только чтение кода. Если вы уже используете другой CI, сохраняйте тот же негативный тест и ненулевой код выхода, а файл workflow адаптируйте к своей инфраструктуре.

name: AI evaluation
on:
  pull_request:
permissions:
  contents: read
jobs:
  evaluate:
    runs-on: ubuntu-latest
    steps:
      - uses: actions/checkout@v7
      - uses: actions/setup-python@v7
        with:
          python-version: '3.13'
      - run: python scripts/evaluate.py

Пример входа и ожидаемого результата

Вход T-101/T-102 и выход T-102/T-101 проходят: Every input ID has exactly one output ID. Замена T-101 на T-999 даёт missing=['T-101'], extra=['T-999']; одинаковое число строк не скрывает проблему. Это наблюдаемое поведение демонстрационного кода, а не отчёт о запуске на внешней модели. В production проверяйте, что конкретный контракт подходит к бизнес-процессу, и сохраняйте вход/ожидание рядом с именем кейса.

Где этот тест может обмануть

Если IDs в данных содержат персональную информацию, выдавайте непрозрачные тестовые IDs. Скрипт предполагает, что ключ id присутствует и пригоден для множества; в production добавьте проверку типа и явную диагностику отсутствующего ключа. Сама проверка не отличает нормальный ответ от неверной классификации — только соответствие записей. Если тест проверяет только формат, не представляйте его как оценку фактической правильности ответа. Если тест проверяет только список ID, не делайте вывода о полноте подтверждающих документов. Разделяйте сбой инфраструктуры, некорректный корпус и нарушение прикладного инварианта: у этих проблем разные действия.

Внимательно смотрите дифф при изменении ожидаемого результата. Ослабление утверждения ради зелёного статуса может скрыть ошибку. В публичных артефактах и summary показывайте только синтетический ID и минимально необходимые поля. При увеличении корпуса проверьте, что новый тестовый случай действительно добавляет неизвестную ранее ветку поведения, а не повторяет существующий текст с другой пунктуацией.

Чек-лист финальной проверки

У входных данных есть понятный ID и проверенное ожидаемое поведение.
Успешная фикстура проходит локально, испорченная падает с понятной причиной.
Скрипт запускается по тому же пути в CI, что и в инструкции.
Вход, журнал и репозиторий не содержат секретов или реальных персональных данных.
Сравнивается актуальная версия кода; PR не подменяет эталон без ревью.
Проверены границы именно этого теста: что он обнаруживает и что не проверяет.

Частые вопросы

Почему порядок не важен?

Пакетный обработчик может вернуть результаты в другом порядке; устойчивое сопоставление идёт по ID.

Почему сравнение длины не подходит?

Один пропуск и один лишний результат дают одинаковую длину, но разные множества идентификаторов.

Что делать с дубликатами?

Определите, возникли ли они на входе или на выходе; шаблон сообщает оба вида отдельно.

Когда проверять?

После завершения записи партии, до экспорта в CRM или расчёта качества; неполный поток естественно выглядит как missing.

Как принять изменение после теста

Попросите второго участника проекта воспроизвести пример из статьи на своей ветке и оценить ожидаемый результат независимо от вывода скрипта. Особенно важно проверить, не изменили ли авторы PR эталон одновременно с функцией так, чтобы ошибка стала невидимой. Сохраните ссылку на конкретный запуск рядом с ревью и повторите тест после объединения изменений, если последующие коммиты затрагивают ту же обработку данных. При обнаружении настоящего сбоя сначала добавьте отдельную синтетическую фикстуру, которая воспроизводит проблему, и лишь потом исправляйте код. Так можно проверить, что исправление действительно удерживается, а тест не оказался формальным.

Официальная документация

Источники проверены 19.09.2026: 1, 2, 3, 4. Перед переносом на другой runtime ещё раз проверьте версии и актуальные поля документации.