第 16 课：为 RAG 准备一套测试题

答对“最多借几本”之后，系统还可能答错临时闭馆、历史规则和押金。想知道它靠不靠谱，需要问一组能暴露这些差别的问题。随手挑两道容易题，往往只能看到好的一面。

先写标准，再看输出

测试集就是一组反复使用的问题与判断依据。一张表够用了：题号、问题、预期片段、答案要点、必须保留的条件。先填这些，再让系统答。否则看见一个似乎不错的答案，很容易不自觉地把标准放宽。

比如“续借几次、延长多久”，标准要包含一次、七天，以及未被预约、到期前。只说七天，漏了次数；说随时可以，改了条件。答案怎样措辞可以不同，事实要求不能跟着变。

资料包已经准备了十题。前四题直接问数量、借期、续借和证件；第五、第六用口语问周六傍晚和讨论室时长；第七、第八组合不同资料；最后两题问没有记录的收费。你可以先遮住答案，自己写预期片段。

第七题比较十八日与普通周日，要同时有 A、D。只说十八日闭馆，虽然这句没错，仍少了题目要求的普通时段。第八题比较两个年份，B、E 都要用，不能一看到归档就删掉。

收费两题也有通过标准：说清资料无法确定，不猜金额，不从未提到推断为零。这些题没有必要片段作为召回率的分母，后面要单独观察未知处理。

反复用同十题修改流程，可能只把熟悉的问法做好。另写两道意思相同、措辞不同的题，留到最后再检查。例如把“最多借几本”换成“能同时带走多少普通图书”。不要加入原题没有的实时库存条件。

这相当于把用来修改的题和用来再检查的题稍微分开。练习不用搞得很复杂，也别把十题通过当作所有场景可靠。资料或规则更新后，还要同步更新测试版本。

先为续借、日期比较和罚金各写两句：必须回答什么，不能写什么。再请另一个人只看你的标准评分。如果他不知道怎么算通过，标准还需要具体一点。

三道题的最低要求

续借保留次数、天数与条件；日期比较同时说明通常时段与特殊闭馆，并各有来源；罚金承认未知，不能填零。不是逐字匹配参考答案，而是检查这些事实。