eval(retrieval): przekwalifikuj N2 na mail_query M5, nowa kontrolka N3
Regresja po zamknieciu Etapu B fazy mailowej dala FAIL wylacznie na kryterium 3: kontrolka N2 "piaskownica plastikowa" spadla do 0.4924 (flat/hybrid) na mail przedszkolny "Materialy plastyczne" -- kolizja leksykalna ponizej progu 0.50. Rownoczesnie odrzucone w Etapie A zapytanie "piaskownica plac zabaw wspolnota" ma dzis realne odpowiedzi (maile administracji wspolnoty holc.waw.pl, 2023). To nie regresja retrievalu -- korpus urosl o tresc, ktorej w Etapie A nie bylo, wiec kontrolka negatywna stracila waznosc. - N2 wycofana; pelna historia decyzji (pilot, 2026-07-23, 2026-08-06) zachowana jako komentarz w queries.yaml, nie skasowana. - M5: "wymiana piasku w piaskownicy na placu zabaw wspolnoty", expected_envelope 6ab218df-...@holc.waw.pl, d1=0.2858, hit3=y. Wariant z "wymiana piasku" zamiast doslownego sformulowania operatora, bo tamto daje 0.4562/0.4597 -- oba nad HIT_THRESHOLD 0.45. - N3: "sterylizacja kota cennik kliniki weterynaryjnej", bar 0.50 bez zmian, 0.5257/0.5799/0.5257. Dwaj odrzuceni kandydaci i lista tematow majacych realna odpowiedz w korpusie udokumentowane w komentarzu. - retrieval_eval.py: tylko komentarz -- mail_hit nadal ocenia sie source-matchem, expected_envelope M5 jest dokumentacyjne. Weryfikacja: retrieval_eval.py --transport http --base-url http://192.168.31.5:8230 --gate-n 10 -> OVERALL PASS (exit 0), kryteria 1/2/3 PASS, kryterium 4 = 5/5 (wymagane >= 4). Co-Authored-By: Claude Opus 5 (1M context) <noreply@anthropic.com>
This commit is contained in:
oskar
parent
f6fcf6b97a
commit
a14909d921
|
|
@ -63,32 +63,86 @@ queries:
|
|||
baseline_top1_dist: 0.6210
|
||||
note: "Poprawny brak w pilocie; separacja od trafień wyraźna."
|
||||
|
||||
- id: "N2"
|
||||
text: "piaskownica plastikowa"
|
||||
# --- historia kontrolki borderline: N2 "piaskownica plastikowa" (WYCOFANA 2026-08-06) ---
|
||||
# Nie kasować: to zapis decyzji, nie komentarz do kodu. Rolę kontrolki borderline przejmuje
|
||||
# N3 poniżej, a samo zapytanie o piaskownicę żyje dalej jako pozytywne M5 w `mail_queries`.
|
||||
#
|
||||
# Pilot (kb-m5-eval-retrieval-pilot.md): kind negative_control_borderline, baseline_top1_dist
|
||||
# 0.5533, no_answer_threshold 0.50. Poprawnie na granicy "brak" -- semantycznie sąsiednie
|
||||
# dokumenty wspólnoty mieszkaniowej, nie odpowiedź na zapytanie.
|
||||
# 2026-07-23 (faza mailowa, bramka po Etapie A): po dolaniu chunków mailowych top-1 =
|
||||
# newsletter szkoły narciarskiej (Rossignol, rozmiary nart 155-181 cm, dist 0.5298) --
|
||||
# zweryfikowana treść pokazała kolizję semantyczną krótkich, liczbowych tekstów w
|
||||
# przestrzeni wektorowej, NIE realny mail o piaskownicy; korpus mailowy Etapu A takiego
|
||||
# trafienia nie zawierał (próbne zapytanie "piaskownica plac zabaw wspólnota" dało wtedy
|
||||
# dist 0.5585, miss -- odrzucone jako wpis mail_queries, ówczesne "M5"). Próg obniżono
|
||||
# wtedy z 0.55 do 0.50 właśnie z powodu tej znanej kolizji, żeby bramka nie płonęła co
|
||||
# uruchomienie na nie-problemie.
|
||||
# 2026-08-06 (zamknięcie Etapu B, pełny korpus mailowy w HNSW) -- ZWROT AKCJI: kontrolka
|
||||
# unieważniona przez wzrost korpusu, w dwóch niezależnych miejscach naraz:
|
||||
# a) "piaskownica plastikowa" spadła do 0.4924 (flat i hybrid, cascade 0.5533) na mail
|
||||
# przedszkolny "Materiały plastyczne" -- znowu kolizja leksykalna (plastikowa /
|
||||
# plastyczne), ale tym razem PONIŻEJ progu 0.50, więc kryterium 3 FAIL przy PASS
|
||||
# kryteriów 1/2/4 -- czyli bramka płonęła dokładnie na tym, przed czym próg miał
|
||||
# chronić;
|
||||
# b) odrzucone w Etapie A "piaskownica plac zabaw wspólnota" ma dziś realne odpowiedzi:
|
||||
# maile administracji wspólnoty (holc.waw.pl, 2023) "WM Targowa 2A - zabawy na terenie
|
||||
# wspólnoty" (dist 0.4562) i "WM Targowa 2A - wymiana piasku" (dist 0.4597,
|
||||
# envelope 6ab218df-ef21-dc78-d589-34f69a97aae6@holc.waw.pl).
|
||||
# Wniosek: to NIE regresja retrievalu -- korpus urósł o treść, której w Etapie A nie było,
|
||||
# a kontrolka negatywna z definicji traci ważność w chwili, gdy odpowiedź na nią wpada do
|
||||
# korpusu. Stąd przekwalifikowanie na pozytywne M5 zamiast łatania progu w dół.
|
||||
|
||||
# --- dobór następcy (kandydaci sprawdzeni na żywym kb-query 2026-08-06, --gate-n 10) ---
|
||||
# Wymóg: temat sąsiadujący z korpusem (żeby kontrolka była borderline, nie oczywista), ale
|
||||
# bez odpowiednika w Paperless ANI w mailach, dist > 0.50 we WSZYSTKICH torach.
|
||||
# Uwaga metodologiczna z tego doboru: korpus mailowy jest po Etapie B znacznie szerszy niż
|
||||
# "wspólnota / przedszkole / FLL / polisy / telco / narty" -- zawiera też archiwum zawodowe,
|
||||
# newslettery, oferty pracy, Allegro, rezerwacje hoteli, PIT, najem, judo. Odrzucone jako
|
||||
# kontrolki, bo korpus MA na nie realną odpowiedź (dist w nawiasie = min po torach):
|
||||
# kominiarski/wentylacja (0.4277, paperless:105), hotel nad morzem (0.4166), PIT-37 (0.3994),
|
||||
# judo dla dzieci (0.3469), najem mieszkania (0.3699), prawo jazdy kat. B (0.3606),
|
||||
# opony zimowe (0.4098), gwarancja AGD (0.4498), karta rowerowa (0.4340).
|
||||
# Kandydaci, którzy przeszli (flat / cascade / hybrid):
|
||||
# A. "sterylizacja kota cennik kliniki weterynaryjnej" 0.5257 / 0.5799 / 0.5257 <- AKTYWNY
|
||||
# B. "karta wędkarska pozwolenie na połów ryb" 0.5203 / 0.5223 / 0.5203
|
||||
# (odrzucony: cascade tylko 0.0223 nad progiem -- za ciasno na trwałą bramkę)
|
||||
# C. "pasieka ul pszczeli zbiór miodu" 0.5985 / 0.6318 / 0.5985
|
||||
# (odrzucony jako aktywny: za łatwy, powiela rolę N "przepis na sernik"; trzymany jako
|
||||
# zapasowy, gdyby korpus kiedyś unieważnił A tak jak unieważnił N2)
|
||||
- id: "N3"
|
||||
text: "sterylizacja kota cennik kliniki weterynaryjnej"
|
||||
kind: negative_control_borderline
|
||||
expected_envelope: null
|
||||
baseline_top1_dist: 0.5533
|
||||
baseline_top1_dist: 0.5257
|
||||
no_answer_threshold: 0.50
|
||||
note: >
|
||||
Poprawnie na granicy "brak" w pilocie -- semantycznie sąsiednie dokumenty wspólnoty
|
||||
mieszkaniowej, nie odpowiedź na zapytanie. Faza mailowa, bramka po Etapie A
|
||||
(2026-07-23): po dolaniu chunków mailowych top-1 = newsletter szkoły narciarskiej
|
||||
(Rossignol, rozmiary nart 155-181cm, dist 0.5298) -- zweryfikowana treść pokazuje, że to
|
||||
kolizja semantyczna krótkich, liczbowych tekstów w przestrzeni wektorowej, NIE realny
|
||||
mail o piaskownicy -- korpus mailowy takiego trafienia nie zawiera (próbne zapytanie
|
||||
"piaskownica plac zabaw wspólnota" dało dist 0.5585, miss; odrzucone jako mail_queries
|
||||
wpis, patrz historia sesji). Próg tej kontroli obniżony do 0.50 (z 0.55) właśnie z powodu
|
||||
tej znanej kolizji, żeby bramka nie płonęła co uruchomienie na nie-problemie.
|
||||
Następca N2 (2026-08-06, patrz historia powyżej). Temat celowo sąsiedni wobec korpusu --
|
||||
usługa domowa z językiem cennika/rozliczenia, czyli rejestr, w którym korpus jest gęsty --
|
||||
ale zwierząt domowych nie ma w nim ani w Paperless, ani w mailach. Baseline zmierzony na
|
||||
żywym kb-query (192.168.31.5:8230, --transport http, --gate-n 10), nie w pilocie: flat
|
||||
0.5257 / cascade 0.5799 / hybrid 0.5257. Top-1 we flat/hybrid to newsletter zakupowy z
|
||||
ofertami -- brak realnej odpowiedzi, czyli kontrolka działa. Próg 0.50 przeniesiony z N2
|
||||
bez zmiany (margines ~0.026 nad progiem; przy kolejnym dużym doładowaniu korpusu należy
|
||||
go zweryfikować, a nie obniżać próg -- lekcja z N2).
|
||||
|
||||
# Faza mailowa (kb/phases/kb-m5-faza-mailowa.md, §8, Krok 5) -- bramka jakościowa dla
|
||||
# treści mailowej wprowadzonej w Etapie A (ostatnie 12 miesięcy, plan §7 Krok 4). Wypełniona
|
||||
# przez operatora 2026-07-23 (5 zapytań "wiem że to mam w mailach z ostatniego roku"; M5
|
||||
# odrzucone po weryfikacji, patrz N2 powyżej i historia sesji). expected_envelope celowo null
|
||||
# dla wszystkich -- operator dostarczył treść zapytania, nie surowy Message-ID; kind: mail_hit
|
||||
# ma inną semantykę hit@3 niż `queries:` powyżej: hit iff top-3 hybrid zawiera wynik z gałęzi
|
||||
# odrzucone wtedy po weryfikacji, patrz historia N2 powyżej -- i PRZYWRÓCONE 2026-08-06 po
|
||||
# Etapie B, gdy odpowiedź na nie realnie znalazła się w korpusie). expected_envelope jest null
|
||||
# dla M1-M4 -- operator dostarczył treść zapytania, nie surowy Message-ID; kind: mail_hit ma
|
||||
# inną semantykę hit@3 niż `queries:` powyżej: hit iff top-3 hybrid zawiera wynik z gałęzi
|
||||
# mailowej (envelope.source w summaryless_sources, dziś gmail) z dist < 0.45
|
||||
# (retrieval_eval.py::mail_hit_at_3) -- identity-match na expected_envelope nie ma tu
|
||||
# zastosowania, bo nie ma czego dopasować.
|
||||
# zastosowania, bo dla M1-M4 nie ma czego dopasować.
|
||||
#
|
||||
# WYJĄTEK (2026-08-06): M5 ma znane, zweryfikowane curl-em expected_envelope. Uwaga przy
|
||||
# czytaniu raportu -- retrieval_eval.py::summarize_query_result dla kind: mail_hit NIE używa
|
||||
# expected_envelope (idzie ścieżką mail_hit_at_3, source-match), więc ten identyfikator ma
|
||||
# dziś wartość wyłącznie dokumentacyjną/audytową: mówi, który mail uznaliśmy za poprawną
|
||||
# odpowiedź, ale bramka go nie sprawdza. Jeśli kiedyś ma być egzekwowany, to zmiana w
|
||||
# retrieval_eval.py (np. identity-match gdy expected_envelope != null), nie w tym pliku.
|
||||
#
|
||||
# Format wpisu (identyczny co do pól z `queries:` powyżej, minus baseline_top1_dist -- nie było
|
||||
# pilota mailowego przed tą bramką):
|
||||
|
|
@ -118,3 +172,18 @@ mail_queries:
|
|||
kind: mail_hit
|
||||
expected_envelope: null
|
||||
note: "Wątki organizacyjne FLL 25-26."
|
||||
- id: "M5"
|
||||
text: "wymiana piasku w piaskownicy na placu zabaw wspólnoty"
|
||||
kind: mail_hit
|
||||
expected_envelope: "6ab218df-ef21-dc78-d589-34f69a97aae6@holc.waw.pl"
|
||||
note: >
|
||||
Dawna kontrolka negatywna N2, przekwalifikowana 2026-08-06 po Etapie B (pełna historia w
|
||||
komentarzu w `queries:` powyżej). Odpowiedź: mail administracji wspólnoty "WM Targowa 2A
|
||||
- wymiana piasku" (k.szrajner@holc.waw.pl, 2023-06-16, wymiana piasku w piaskownicy na
|
||||
placu zabaw osiedla 19.06). Sformułowanie to naturalniejsza wariacja operatorskiego
|
||||
"piaskownica plac zabaw wspólnota": samo "piaskownica plac zabaw wspólnota" daje dziś
|
||||
top-1 0.4562 / top-2 0.4597 -- oba NAD progiem HIT_THRESHOLD 0.45, więc mail_hit_at_3
|
||||
liczyłoby to jako miss mimo poprawnych i zweryfikowanych trafień w top-2. Wariant z
|
||||
"wymianą piasku" trafia expected_envelope na pozycji 1 z dist 0.2858 (flat i hybrid),
|
||||
z zapasem wobec progu. To zarazem jedyne mail_query z niepustym expected_envelope --
|
||||
patrz WYJĄTEK w komentarzu nagłówkowym tej sekcji (bramka go nie egzekwuje).
|
||||
|
|
|
|||
|
|
@ -217,6 +217,11 @@ def summarize_query_result(result: dict, envelope_sources: Optional[dict[str, st
|
|||
if query["kind"] == "mail_hit":
|
||||
# plan §8 Krok 5: no expected_envelope (operator gave query text, not a Message-ID) --
|
||||
# graded on mail_hit_at_3's source-match semantics instead of hit_at_3's identity match.
|
||||
# Since 2026-08-06 one mail query (M5, the requalified N2 control) *does* carry an
|
||||
# expected_envelope, verified by hand against the live index. It stays documentation
|
||||
# only: this branch deliberately keeps grading every mail_hit by source-match, so the
|
||||
# id is never silently half-enforced. Enforcing it would be a change here (identity
|
||||
# match when expected_envelope is not None), not in queries.yaml.
|
||||
flat_hit3 = None # flat never reaches summaryless (gmail) chunks -- not a meaningful axis
|
||||
hybrid_hit3 = mail_hit_at_3(hybrid_chunks, envelope_sources or {})
|
||||
else:
|
||||
|
|
|
|||
Loading…
Reference in a new issue