xsl 67d9754823 test(golden): data-driven golden set framework wired into CI ...

tests/golden：JSON 用例 + 阈值配置 + runner（规则 pass_rate=1.0、检索 0.8
起步）+ pytest 壳；规则/检索两子集种子，Agent/报告子集占位（T-P2-11）。

实现：
- runner.py 为普通模块（不依赖 pytest）：加载/执行/指标（pass_rate、
  first_hit_in_top3）/逐用例差异明细；test_golden.py 只是薄壳（marker=golden，
  无 MEIDA_RUN_INTEGRATION 时整体 skip）。用例与 expect 的未知键一律判
  fail（封闭词汇表，防断言静默失效）。
- 规则子集 13 例（rules_cases.json，走 packages.rules DSL/evaluate）：
  含 3 个硬禁忌场景（无条件合规硬拦、正式场合硬拦、复合优先级链
  100硬>95禁忌>90体型>50趋势）+ 禁忌压制/维度隔离/多规则叠加/温度边界/
  缺字段静默/include 子集语义等。
- 检索子集 13 例（retrieval_cases.json，DeterministicEmbedder+hybrid_search）：
  含 7 个 must_miss 红线场景（禁忌体型/draft/archived/场景外/类型外/组合红线）。
  种子实体以 golden: 前缀命名，跑前先删（幂等重跑）；跑后也删——CI 防线
  5c 与集成测试共用长活库，留下假实体会破坏其它用例对结果列表的精确断言。
  确定性策略：query=目标 chunk 原文（余弦距离 0 必排第 1）+ 每例独立
  marker token（gqNN）隔离关键词路；检索参数（1024 维/top_k 50/默认 RRF
  权重）钉死在 runner，不读 env。
- thresholds.json：规则 pass_rate_min=1.0（硬结论子集一条不许退）；
  检索 pass_rate_min=0.8 + first_hit_in_top3_min=0.8 起步。
- README.md：四子集 330 例规划、两格式 spec、加用例流程、阈值口径与
  “为什么规则必须 1.0”。

测试：
- MEIDA_RUN_INTEGRATION=1 pytest -m golden --no-cov：2 passed（规则
  13/13=1.0，检索 13/13=1.0、first_hit_in_top3=13/13）；连续重跑幂等，
  跑后库内 golden:% 残留为 0；不设 env 时 2 skipped；基线单测 473 passed、
  集成 38 passed 不受影响；ruff check/format、lint-imports 全绿。
- 阻断语义自证（已改回，提交里只有正确版本）：临时把规则用例
  user-taboo-overrides-trend-recommendation 的 must_avoid 改成不存在的
  取值并把 hard_blocks_nonempty 翻转为 true → 规则子集 12/13=0.9231
  <1.0 fail，明细输出“must_avoid 未命中：期望 top[length=九分裤脚]，实际
  avoid=[top[length=[短款, 露脐]]]”与“hard_blocks_nonempty 期望 True，
  实际 False（硬拦截规则：无）”；再临时破坏 3 条检索用例（2 条 must_hit
  换成不存在的实体名、1 条 must_miss 加入本应命中的实体）→ 检索子集
  10/13=0.7692<0.8 fail，明细含“must_miss 红线违规：golden:r12-good
  出现在第 1 位——硬过滤零漏被破坏”。验证完三条全部改回，复跑全绿。
  （注：检索阈值 0.8 起步，单条退化 0.92 尚不拦截、≥3 条即拦截，符合
  种子期口径；规则阈值 1.0 单条即拦截。）

偏差说明：无

2026-08-14 21:19:57 +08:00

0 lines

0 B

Python

Raw Blame History

The file is empty.