# RAG 离线评测：讨论、设计与落地

**日期**：2026-07-28  
**范围**：`eval/rag-retrieval` 离线 baseline、fixture 生成、与 hybrid/quality 主路径对齐  
**读者**：要维护或扩展知识库回归评测的工程同学  
**关联实现 / 变更**：

- 目录：`eval/rag-retrieval/`
- 脚本：`scripts/eval_rag_retrieval.py`、`generate_rag_lookup_snapshots.ps1`、`prepare_rag_eval_seed.ps1`
- OpenSpec / devflow：`rag-eval-hybrid-baseline`（已归档）
- 前置：`RAG-Hybrid质量分与后处理.md`、`RAG-Agent如何读relevance_level.md`

---

## 1. 为什么要单独谈评测

hybrid、chunk 去重、qualityScore 统一之后，工程上仍缺一块：

> **改检索之后，用什么可重复的信号判断「变好了还是变坏了」？**

完整诊断 E2E（多工具 + 最终回答）太重、太噪。需要一层**只盯 `lookup_knowledge` 召回与管道行为**的回归。

本文汇总讨论中形成的：

1. 离线评测是什么、不是什么  
2. Golden / Fixture 怎么设计、比什么  
3. 项目现状是否符合定义  
4. 改造复杂度与 sm-flow 落地（含 apply 中发现的闸门问题）  
5. 指标、报告、纪律  

---

## 2. 离线评测：概念边界

### 2.1 离线 vs 在线

| 说法 | 含义 |
|------|------|
| **在线** | 真跑检索：embedding、Milvus、完整 `lookup_knowledge` |
| **离线** | **不再访问检索栈**；用事先冻住的结果快照，和标准答案比对 |

```mermaid
flowchart TB
    subgraph online["在线（贵、真、偶发）"]
        S[Seed 语料] --> G[真 lookup / 检索管道]
        G --> F[写入 Fixtures]
    end

    subgraph offline["离线（便宜、稳、可 CI）"]
        C[Golden cases] --> E[比对脚本]
        F2[已提交的 Fixtures] --> E
        E --> R[报告 / baseline / diff]
    end

    F -.->|提交入库| F2
```

可以记成：

```text
在线：考试现场答题（环境会变）
离线：用标准答卷复印件批改（环境冻结）
```

### 2.2 离线适合 / 不适合回答的问题

**适合：**

- 契约有没有破（结构、关键字段、行为路径）  
- 在「同一份检索结果」假设下，期望文档/关键词/attempt 是否仍满足  
- 相对上一版 baseline 的回归 diff  

**不适合单独承担：**

- hybrid 是否比 dense 更好 → 需要**同一时期**在线双跑  
- 阈值 0.75 是否合适 → 需要在线统计 level 分布  
- 换 embedding 后召回如何 → 必须重刷 fixture 或 live  
- Agent 最终诊断对不对 → 诊断 E2E  

```mermaid
flowchart LR
    Q1[契约 / 期望回归] --> OFF[离线 baseline]
    Q2[当前召回是否正确] --> ON[在线生成 fixture 或 live]
    Q3[dense vs hybrid 增益] --> CMP[同期双 mode 对照]
    Q4[诊断是否正确] --> E2E[诊断 harness]
```

---

## 3. 三块积木

```mermaid
flowchart TB
    subgraph golden_box["① Golden（薄）"]
        GQ[query]
        GE[期望：doc / keyword / attempt / …]
    end

    subgraph fixture_box["② Fixture（冻）"]
        FM[meta: caseId, searchMode, kbScope, time]
        FL[lookupResult 结构化输出]
    end

    subgraph judge_box["③ 裁判（规则）"]
        A[按 golden 字段断言]
        M[衍生 Hit / rank / 通过率]
        REP[json + md + 可选 diff]
    end

    golden_box -->|caseId 对齐| judge_box
    fixture_box --> judge_box
```

| 积木 | 是什么 | 不是什么 |
|------|--------|----------|
| **Golden** | 问什么 + **应该**怎样 | 不是整包线上成功 JSON 原样当期望 |
| **Fixture** | 某次跑完**实际**怎样 | 不是每次离线评测都要重跑检索 |
| **裁判** | 关键字段比对 + 指标 + 报告 | 不是两个大 JSON deep equal |

时间线：

```text
① 设计 Golden
② （改检索 / 换库 / 换 mode 时）在线跑 → 写/更新 Fixtures
③ 日常：Fixtures × Golden → 报告（多数时候只做这一步）
```

---

## 4. 为什么不全量字段对比

讨论中的直觉「分数不固定」是对的，但原因不止这一条：

| 原因 | 说明 |
|------|------|
| 分数不稳定 | L2 / RRF / embedding 会漂 |
| 实现细节会变 | trace 结构、reason 文案、时间戳、tool_call_id |
| 截断与预算会变 | excerpt 长度、packedText |
| 目标是「对不对」 | 不是字节级一致 |

```mermaid
flowchart LR
    F[Fixture JSON] --> K[只抽取关键字段]
    G[Golden 期望] --> K
    K --> P{断言}
    P -->|通过| OK[Pass + 指标]
    P -->|失败| FAIL[Fail + 原因列表]

    F -.->|不做| FULL[全量 deep equal]
```

**全量对比**偶尔可用于「紧挨着两次生成器输出的工程 diff」，那不是 golden 质量标准。

---

## 5. Golden / Fixture 字段设计

### 5.1 Golden：一行长什么样（分层）

```mermaid
flowchart TB
    ID[身份: caseId, scenario/tags, notes]
    IN[输入: query]
    P0[P0 命中: expectedDocIds/Sources, expectedKeywords]
    P1[P1 行为/展示: attempt, fallback, status, breadcrumb]
    P2[P2 细粒度: evidenceKey, minCount, firstRankMax]
    P3[P3 观察: relevanceLevel — 慎作硬门禁]
    NEG[负例: mustNotDocIds/Sources]

    ID --> IN --> P0 --> P1
    P1 --> P2
    P1 --> NEG
    P1 --> P3
```

| 优先级 | 比什么 | 作用 |
|--------|--------|------|
| P0 | docId / source、keywords | 召回对不对、段是否有用 |
| P1 | selectedAttempt、fallback、evidenceStatus | 路径有没有坏 |
| P1 | mustNot* | 硬负例 / decoy |
| P2 | chunk / evidenceKey、条数、首条相关 rank | 身份与排序 |
| P3 | relevance_level | 观察用；hybrid 下易松 |

**原则：** 期望对齐「用户/Agent 可感知的对错」，少锁实现细节。

### 5.2 Fixture：最少保留什么

```mermaid
flowchart TB
    subgraph fix["fixture"]
        META["meta<br/>caseId, query, retrievedAt<br/>searchMode, kbScope?"]
        RES["result / lookupResult<br/>有序 evidence[]<br/>attempt / fallback / status<br/>contextPack? / traces?"]
        DBG["debug 可选<br/>rawScore, denseDistance…"]
    end

    META --> RES
    RES --> DBG
```

每条 evidence 最少：

```text
docId 或可对齐的 source
excerpt / content（关键词断言需要）
顺序 = rank（数组下标即可）
evidenceKey / chunkIndex（多 chunk case 需要）
title / breadcrumb（按需）
```

**故意不锁：** score 全文、完整 trace、tool_call_id、packedText 全文（除非单独立项）。

### 5.3 Golden → Fixture 取值对照

```mermaid
flowchart LR
    subgraph g["Golden"]
        g1[expectedDocIds]
        g2[expectedKeywords]
        g3[expectedSelectedAttempt]
        g4[expectedFallbackReason]
        g5[mustNotDocIds]
    end

    subgraph f["Fixture"]
        f1[evidence[].docId/source]
        f2[evidence[].excerpt 拼接]
        f3[retrievalTrace.selectedAttempt]
        f4[retrievalTrace.fallbackReason]
        f5[evidence 全表扫描]
    end

    g1 --> f1
    g2 --> f2
    g3 --> f3
    g4 --> f4
    g5 --> f5
```

---

## 6. 指标与报告

### 6.1 两层指标

```mermaid
flowchart TB
    subgraph gate["门禁主信号"]
        PASS[逐 case Pass/Fail]
        RATE[通过率 / 按 tag 通过率]
    end

    subgraph quality["质量刻度（报告展示）"]
        HIT[Hit@n / hitLevel strong·medium·weak·miss]
        RANK[first relevant rank / MRR]
        KW[keyword coverage]
        FB[fallback rate]
        LV[level 直方图 — 观察]
    end

    PASS --> RATE
    HIT --> RANK
```

| 指标 | 含义 |
|------|------|
| **Pass/Fail** | golden 声明的 expected* 是否全部满足 |
| **hitLevel** | strong / medium / weak / miss（项目已有） |
| **Recall@K** | strong+medium 算命中 |
| **firstExpectedRank** | 第一条期望文档的排名 |
| **fallback / attempt** | 行为路径 |
| **level 分布** | 宜观察，hybrid 下慎作硬门禁 |

### 6.2 报告长什么样

```mermaid
flowchart LR
    EVAL[离线评测] --> J[baseline.json<br/>机器可读]
    EVAL --> M[baseline.md<br/>人读表格]
    EVAL --> D[baseline-diff.*<br/>相对上一版]

    J --> CI[CI / 脚本解析]
    M --> HUM[人看失败原因]
    D --> REV[改代码还是改期望]
```

工程上的「得出结果」=：

1. **门禁**：must-pass 是否全绿  
2. **诊断**：谁红、红在哪类断言  
3. **趋势**：相对旧 baseline 变好还是变差  

---

## 7. 项目现状审计（改造前）

讨论结论：**模型符合定义，内容偏旧（约 70%）**。

```mermaid
flowchart TB
    subgraph ok["已符合"]
        A1[golden × fixture × key-field]
        A2[seed + kb_scope=rag-eval]
        A3[Hit 分层 + recall + baseline diff]
        A4[离线不连库]
    end

    subgraph gap["缺口"]
        B1[生成器仍传 vector-store.mode=spring]
        B2[fixture 无 searchMode/kbScope]
        B3[无 dense/hybrid 双目录对照]
        B4[无 mustNot / chunk 硬期望]
        B5[快照停在 boost 改序时代]
    end

    ok --> gap
```

| 维度 | 符合度 |
|------|--------|
| 三件套架构 | 高 |
| 关键字段比对 | 高 |
| 报告 / diff | 高 |
| 与 hybrid 主路径同步 | 低（改造前） |
| chunk / 负例 / mode 矩阵 | 弱或无 |

---

## 8. 改造策略与复杂度

### 8.1 两刀切分

```mermaid
flowchart TB
    K1["第一刀（已落地）<br/>search.mode 接线<br/>fixture meta<br/>README<br/>重刷 hybrid baseline"]
    K2["第二刀（未做）<br/>fixtures/hybrid vs dense<br/>对照表<br/>golden tags/mustNot"]

    K1 --> DONE[可门禁当前主路径]
    K2 --> CMP[可回答 hybrid 增益]
```

**复杂度判断：中低。** 不必重写框架；成本在联调环境与 baseline 纪律，不在算法。

| 工作 | 复杂度 |
|------|--------|
| 改生成参数 / meta / README | 低 |
| seed + 重刷 fixture | 中低（看环境） |
| 双目录对照 | 中低（第二刀） |
| 换框架 / LLM judge | 高（不建议现在） |

### 8.2 sm-flow 落地范围（已确认）

- **仅第一刀**  
- **接线必交**；fixture 刷新尽力（本次环境可用，已刷绿）  

Change：`rag-eval-hybrid-baseline`（已归档）。

---

## 9. 落地后的主链路（当前）

### 9.1 日常离线

```mermaid
flowchart LR
    GC[golden-cases.json] --> PY[eval_rag_retrieval.py]
    FX[fixtures/*.json] --> PY
    PY --> BR[reports/baseline.*]
```

```bash
python scripts/eval_rag_retrieval.py
```

### 9.2 改检索后的完整环

```mermaid
sequenceDiagram
    participant Eng as 工程师
    participant Seed as prepare_rag_eval_seed
    participant Gen as generate_rag_lookup_snapshots
    participant Tool as LookupKnowledgeTool
    participant Off as eval_rag_retrieval.py
    participant Git as 仓库 baseline

    Eng->>Seed: 导入 seed-docs (kb_scope=rag-eval)
    Seed-->>Eng: MySQL/L0/Milvus 就绪
    Eng->>Gen: -SearchMode hybrid
    Gen->>Tool: 每条 golden.query
    Tool-->>Gen: LookupResult
    Gen->>Gen: 写 fixture + searchMode/kbScope
    Eng->>Off: fixtures × golden
    Off-->>Eng: pass/fail + 指标
    Eng->>Git: 意图变更则更新 baseline（带 diff 原因）
```

### 9.3 生成器配置（改造后）

| 参数 | 默认 | 含义 |
|------|------|------|
| `SearchMode` | `hybrid` | `retrieval.search.mode` |
| `KbScope` | `rag-eval` | 评测语料隔离 |
| （已删除） | — | `vector-store.mode=spring\|sdk` |

```powershell
.\scripts\prepare_rag_eval_seed.ps1
.\scripts\generate_rag_lookup_snapshots.ps1              # hybrid
.\scripts\generate_rag_lookup_snapshots.ps1 -SearchMode dense -Fixtures ... -SkipEval  # 对照用
```

---

## 10. Apply 中发现的关键问题：filter fallback 与 quality 闸门

### 10.1 现象

重刷 hybrid fixtures 后，`chat-l0-filter-fallback` 变红：

- 只命中 decoy（`overfilter-decoy`）  
- `selectedAttempt=FILTERED_VECTOR`，**没有** unfiltered retry  
- 根因：hybrid **纯 rank→quality** 时 rank1 恒为 ~1.0 → `isLowQuality` 永不成立  

```mermaid
flowchart TB
    subgraph before["纯 rank quality（有问题）"]
        H1[hybrid RRF 序] --> R1[rank1 quality=1.0]
        R1 --> N1[isLowQuality=false]
        N1 --> X1[不 retry · decoy 留下]
    end

    subgraph after["denseDistance 闸门（已修）"]
        H2[hybrid RRF 序 · 排序不变] --> D2[并行 dense 填 denseDistance]
        D2 --> Q2[quality = L2 归一化]
        Q2 --> L2{top quality < 0.5?}
        L2 -->|是| RET[UNFILTERED_VECTOR_RETRY]
        L2 -->|否| KEEP[保留 filtered 结果]
    end
```

### 10.2 设计取舍（必须记清）

| 信号 | 用途 |
|------|------|
| **RRF / originalRank** | **排序权威**（谁在前） |
| **denseDistance → quality** | **绝对质量闸门**（要不要 retry、level 档） |
| **不**再：用 L2 覆盖 hybrid 主分 / label | 避免回到「伪装成 L2」 |

```mermaid
flowchart LR
    subgraph sort["排序"]
        RRF[RRF 返回序]
    end

    subgraph gate["质量闸门"]
        L2[dense L2 若有]
        RK[rank 回退若无 dense]
        L2 --> QS[qualityScore]
        RK --> QS
    end

    RRF --> LIST[evidence 列表顺序]
    QS --> LV[relevance_level]
    QS --> FB[isLowQuality → filter fallback]
```

这与 quality 统一文的精神一致：**排序与闸门分信号**；只是 hybrid 闸门不能**只**靠序数分。

验证（归档时）：

- offline **7/7 pass**  
- fallback case：`UNFILTERED_VECTOR_RETRY` + `filtered_vector_low_quality`  

---

## 11. Baseline 纪律

```mermaid
flowchart TB
    RED[离线变红] --> Q{实现退步还是预期变了?}
    Q -->|退步| CODE[改代码]
    Q -->|预期变了| GOLD[改 golden / 重刷 fixture]
    GOLD --> NOTE[写清原因 · 更新 baseline]
    Q -->|禁止| BLIND[不看 diff 整锅覆盖]
```

README 原话仍然成立：fixture 对不上，要么修链路，要么改期望——**二选一要显式**。

---

## 12. 与完整评测体系的位置

```mermaid
flowchart TB
    subgraph L1["L1 离线契约 — 已有且已对齐 hybrid"]
        OFF[fixtures × golden]
    end

    subgraph L2["L2 在线召回 — 生成器已接线"]
        LIVE[seed → snapshot hybrid]
    end

    subgraph L3["L3 对照与标定 — 部分未做"]
        DD[dense vs hybrid 双目录表]
        CAL[level/阈值直方图标定]
    end

    subgraph L4["L4 诊断 E2E — 另一套"]
        DIAG[多工具 · 最终回答]
    end

    L1 --> L2
    L2 --> L3
    L2 -.-> L4
```

| 层 | 状态 |
|----|------|
| L1 离线 | **已落地**，hybrid fixtures + baseline 绿 |
| L2 在线生成 | **已接线**，本机已成功重刷 |
| L3 双 mode 对照目录 | **未做**（第二刀） |
| L4 诊断 E2E | 独立 harness，非本文 |

---

## 13. 实践清单

1. **日常**：只跑离线 `eval_rag_retrieval.py`。  
2. **改检索 / 索引 / mode / 闸门**：seed → hybrid 生成 → 离线 → 看 diff 再更新 baseline。  
3. **对照 dense**：`-SearchMode dense` 指到另一 fixtures 目录（第二刀可产品化报表）。  
4. **Golden** 锁业务真值；**score / 完整 trace** 默认不锁。  
5. **relevance_level** 先观察，慎作硬门禁。  
6. **排序听 RRF**；**retry/level 听绝对 quality（dense L2）**。  
7. 评测语料固定 `kb_scope=rag-eval`，勿绑生产杂库。  

---

## 14. 结语

离线评测不是「再造一个复杂平台」，而是：

```text
固定问题（Golden）
  × 冻结答卷（Fixture）
  × 关键字段裁判
  → 可 diff 的报告
```

项目原本骨架正确；本轮补上了 **hybrid 时代的生成接线、fixture meta、baseline 重刷**，并在真实跑通时修正了 **「序数 quality 杀死 filter fallback」** 的闸门设计。

下一有价值的增量是 **dense/hybrid 同期对照表（第二刀）** 与 **level 分布标定**，而不是换评测框架。

---

## 附录 A：目录与命令速查

| 路径 | 作用 |
|------|------|
| `eval/rag-retrieval/cases/golden-cases.json` | Golden |
| `eval/rag-retrieval/fixtures/*.json` | Fixtures（含 searchMode） |
| `eval/rag-retrieval/seed-docs/` | 评测语料 |
| `eval/rag-retrieval/reports/baseline.*` | 离线基线报告 |
| `scripts/eval_rag_retrieval.py` | 离线裁判 |
| `scripts/generate_rag_lookup_snapshots.ps1` | 在线生成 fixture |
| `scripts/prepare_rag_eval_seed.ps1` | 导入 seed |

```powershell
# 离线
python scripts\eval_rag_retrieval.py

# 完整刷新（需 embedding + Milvus 等）
.\scripts\prepare_rag_eval_seed.ps1
.\scripts\generate_rag_lookup_snapshots.ps1 -SearchMode hybrid
```

## 附录 B：相关文档

| 文档 | 内容 |
|------|------|
| `eval/rag-retrieval/README.md` | 操作说明（以仓库为准） |
| `RAG-Hybrid质量分与后处理.md` | quality / 后处理 |
| `RAG-Agent如何读relevance_level.md` | Agent 如何读 level |
| `RAG排序-多路召回与RRF.md` | 多路与 RRF |
| `devflow/projects/2026-07-28-rag-eval-hybrid-baseline/` | 本 change 档案 |
| `openspec/specs/rag-eval-offline-baseline/spec.md` | 主规格 |