homelab-codex-ws/jobs/documents-ingest/eval/queries.yaml

# Eval-set for the retrieval quality gate (module 5, phase 3, plan §6.2,
# kb/phases/kb-m5-faza3.md). Transcribed 1:1 from the pilot baseline,
# kb/phases/kb-m5-eval-retrieval-pilot.md (read-only source -- this file is the versioned
# copy the plan asked for, so the set stops living only in a session transcript).
#
# kind:
#   hit                 -- pilot found a correct top-1 match (dist < 0.45)
#   grey_zone           -- pilot landed in the 0.45-0.55 band (on-topic, imprecise)
#   negative_control            -- pilot correctly found nothing (dist > 0.55)
#   negative_control_borderline -- pilot correctly found nothing, but close to the 0.55 edge
#
# expected_envelope is null for both negative-control kinds: there is no document these
# queries should match, by design.

queries:
  - id: "1"
    text: "polisa ubezpieczeniowa PZU warunki odpowiedzialności"
    kind: hit
    expected_envelope: "paperless:14"
    baseline_top1_dist: 0.3418
    note: >
      Pilot top-1 = paperless:14 (OWU PZU Auto); ujawnił duplikat paperless:14 ≡ paperless:74
      (flagowany excluded_reason='duplicate' w kroku 1 fazy 3).      

  - id: "2"
    text: "faktura za usługi telekomunikacyjne kwota do zapłaty"
    kind: hit
    expected_envelope: "paperless:192"
    baseline_top1_dist: 0.3447
    note: >
      Pilot top-1 = paperless:192 (faktura P4); poz. 3/5 w pilocie był chunk z OCR-śmieciem
      (kody kreskowe) -- powinien wypaść po excluded_reason='ocr_junk' z kroku 1.      

  - id: "3"
    text: "zasady punktacji FLL Challenge robot game (PL)"
    kind: grey_zone
    expected_envelope: "paperless:5"
    baseline_top1_dist: 0.4154
    note: >
      Pilot: szara strefa -- rodzina dokumentów OK, sedno (zasady punktacji) nie trafione
      precyzyjnie. Kandydat na poprawę: czy pre-filtr po streszczeniu podnosi trafność?      

  - id: "4"
    text: "FLL robot game mission scoring points table (EN)"
    kind: hit
    expected_envelope: "paperless:5"
    baseline_top1_dist: 0.4114
    note: >
      Cross-lingual (EN zapytanie) trafia lepiej niż PL (zapytanie 3); poz. 2+ w pilocie =
      paperless:119 (scoresheet, mojibake) -- mojibake nie jest śmieciem, niesie sygnał.      

  - id: "5"
    text: "innovation project scoring"
    kind: hit
    expected_envelope: "paperless:3"
    baseline_top1_dist: 0.3869
    note: "Najlepszy wynik pilota: top-5 spójnie z jednego właściwego dokumentu (arkusz ocen IP)."

  - id: "N"
    text: "przepis na sernik z rodzynkami"
    kind: negative_control
    expected_envelope: null
    baseline_top1_dist: 0.6210
    note: "Poprawny brak w pilocie; separacja od trafień wyraźna."

  # --- 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: 0.5257
    no_answer_threshold: 0.50
    note: >
      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 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 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):
#   - id: "M1"
#     text: "..."
#     kind: mail_hit
#     expected_envelope: "<raw gmail Message-ID lub null>"
#     note: "..."
mail_queries:
  - id: "M1"
    text: "szkolenie narciarskie zegrze termin"
    kind: mail_hit
    expected_envelope: null
    note: "Wątek listy klubowej (lasery-zegrze) — celowo na granicy filtra newsletterowego."
  - id: "M2"
    text: "faktura Play kwota do zapłaty telefon"
    kind: mail_hit
    expected_envelope: null
    note: "Faktury operatora przychodzą mailem co miesiąc."
  - id: "M3"
    text: "wznowienie polisy OC składka samochód"
    kind: mail_hit
    expected_envelope: null
    note: "Korespondencja ubezpieczeniowa — cross-source z dokumentami OWU."
  - id: "M4"
    text: "rejestracja drużyny FLL zgłoszenie sezon"
    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).