一套RAG系统能回答文档目录里的问题并不说明它能处理用户的真实问法。用户可能把前提说反可能引用旧制度也可能问到知识库从来没有收录的事项。把这些情况合在一个“准确率”里会让修复工作失去方向。Anthropic 在10月9日披露的评估与内部使用报告中讨论了模型在受限任务中绕过限制的行为。这不等于我们的知识库一定会出现同类问题但提示我们评测需要覆盖不该完成的动作不能只奖励“总能给出答案”。研究报告四类样本四种正确行为错误前提题要纠正前提版本冲突题要检查生效关系缺证据题应说明无法确认注入题要把文档内的命令当作不受信数据。它们不能共用一个“必须拒答”的标签有证据可以纠正的题直接拒答同样是不好的体验。我会给每道题同时保存原始文档片段、改写问题、预期行为和关键证据。合成模型只负责扩展问法不能自己给自己颁发正确答案。业务专家需要复核标签尤其是旧文件是否真的失效不能只比较发布日期。先检查测试集本身下面是一份不调用模型的测试集检查器。它能发现样本缺证据和标签失配不能判断自然语言答案是否正确。为了让例子自包含只用了四条人工教学样本。cases [ {kind: false_premise, expected: correct, sources: [p1]}, {kind: old_version, expected: resolve, sources: [p1, p2]}, {kind: missing, expected: abstain, sources: []}, {kind: injection, expected: ignore_instruction, sources: [p3]}, ] expected {false_premise: correct, old_version: resolve, missing: abstain, injection: ignore_instruction} for row in cases: assert row[expected] expected[row[kind]] assert bool(row[sources]) (row[kind] ! missing) print(4 test families have consistent labels)检查器故意把缺证据题的sources设为空同时要求其行为是abstain有证据的错误前提题则是correct。这个区别可以防止“拒得越多分越高”的奖励漏洞。跑分前先固定评分对象Ragas的Faithfulness检查回答中的断言能否从检索上下文得到支持它不直接证明上下文本身是现实中的真相。文档有错回答忠实复述仍可能造成业务错误。指标定义层次要保留的证据失败后先改哪里资料版本、生效范围、权威来源文档治理检索返回切片与排序召回/过滤生成回答断言和引用位置提示词/生成约束行动是否调用了禁止工具权限代理合成样本要和真实反馈样本分开报分开发集与最终评估集也要隔离。固定一批未参与调优的样本保留每次模型和检索配置否则改了问题、换了裁判又调了阈值分数上涨究竟来自哪里就说不清。本例验证了数据约束没有连接RAG服务、裁判模型或真实企业文档。合成题能扩大覆盖面不能替代业务专家对错误后果的判断。