必须用量化方式评估扣子知识库召回效果：构建92条人工标注的测试集，执行单次向量、agentic rag、混合检索三轮测试，计算忠实度、相关性、完整性、简洁性四大指标，并基于11条低召回问题根因（术语/版本/语义）触发对应优化动作。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
要验证扣子知识库在真实业务场景中能否稳定召回关键信息，必须绕过界面“测试问答”的简单反馈，用可复现、可归因、可对比的量化方式跑通一次完整评估流程。
准备测试数据集与基线答案
从近3个月客服工单中抽样127条高频问题，剔除含模糊指代（如“那个文件”“上次说的政策”）的条目，保留92条语义明确、有唯一标准答案的问题；对每条问题人工标注3个核心关键词和1份权威答案原文（来自合规手册V3.2或最新法务FAQ），保存为CSV格式，字段包括：question_id、query、keywords、ground_truth_text。
这一步不能跳过——若用模型自动生成“标准答案”，后续所有指标都会失真。【ground_truth_text必须来自原始文档原文，禁止改写或摘要】
将92条问题按业务模块打标签：产品规则（38条）、资费说明（29条）、风控政策（25条），便于后续分层分析。
执行三轮召回率测试
方法一：单次向量检索（默认配置）
在扣子后台→知识库→测试面板中，粘贴第一条问题→点击“执行检索”→记录返回的Top-5结果中，有多少条包含ground_truth_text中的任意一个完整句子（需字符级匹配，不接受语义等价替换）→重复该操作至第92条，汇总命中条数。
方法二：启用Agentic RAG动态检索
进入知识库设置→高级选项→开启“动态chunk适配”与“多轮意图扩展”→重新运行全部92条问题→仅统计Top-3结果的命中情况（因动态策略会主动压缩冗余片段）→注意观察日志中是否出现“扩展检索至XX文档”的提示。
方法三：混合检索（BM25+向量）
在测试面板下方勾选“启用关键词增强”→保持向量权重0.6、BM25权重0.4不变→运行全量问题→导出结果JSON，用Python脚本比对每条query的Top-5中是否存在ground_truth_text的精确子串。
⚠️ 三次测试必须使用同一份知识库快照（时间戳锁定为2026-07-28T14:00:00Z），否则版本漂移会导致数据不可比。
计算四大核心指标
第一步：忠实度（Faithfulness）
对每条问题的生成答案，逐句检查是否能在召回的Top-5文本块中找到对应依据——找不到依据的句子即计为幻觉句；最终用（总句数−幻觉句数）/总句数得出单题分数，再取92题平均值。
扣子 (Windows) 是字节跳动推出的一站式 AI Agent 平台客户端，支持多 Agent 协作、可视化工作流和知识库管理。最新版本新增 Claude Code 与 Codex CLI 接入、多端同步和项目级管理功能，同时优化了插件生态和 AI 响应速度，让用户在 Windows 上即可高效创建、运行和协作智能体，满足个人、团队及企业场景需求。
第二步：相关性（Relevancy）
人工盲审20条答案（随机抽取，覆盖三个业务模块），按0-2分打分：0分=完全答非所问，1分=部分回应但偏题，2分=精准切中问题核心；去掉最高最低分后取均值，乘以50换算为百分制。
第三步：完整性（Completeness）
针对每条问题的ground_truth_text，拆解出所有必要知识点（如“科创板上市条件”需包含：预计市值、营收、净利润、研发投入四项硬指标），统计答案覆盖的知识点数量占总知识点数的比例，取92题平均值。
第四步：简洁性（Conciseness）
用正则过滤掉答案中的重复句式、语气词（如“一般来说”“需要特别注意的是”）、无信息量的过渡句，剩余有效信息字数与原答案字数之比即为该题简洁性得分，阈值设为≥0.65才算合格。
定位低召回问题根因
筛选出三轮测试中均未召回ground_truth_text的问题（共11条），逐条执行以下诊断：
① 检查问题中是否含领域术语缩写（如“SOP”“KYC”）→若存在，确认知识库文档中是否统一使用全称（如“Standard Operating Procedure”）→若是，则需在预处理阶段添加术语映射表。
② 提取问题中的时间状语（如“2023年修订版”“最新一期”）→核查知识库中对应文档的元数据version字段是否准确写入→若version为空或格式错误（如写成“v3.2_2023”而非ISO标准“2023-07-01”），则版本过滤器失效。
③ 将问题query与ground_truth_text分别通过扣子Embedding API获取向量→计算余弦相似度→若低于0.42，说明嵌入模型对当前语义空间表征能力不足，需切换至bge-reranker-v2-m3等重排序专用模型。
对11条问题完成上述三项检查后，导出根因分类统计表：术语不匹配（4条）、版本元数据缺失（3条）、向量语义偏离（4条）。
生成评估报告并触发优化动作
将四组指标结果填入预置模板Excel，自动渲染折线图（三轮测试的召回率对比）与雷达图（四大维度得分分布）；在“行动建议”栏根据根因统计表生成具体指令：术语问题→调用API更新同义词库；版本问题→执行SQL语句UPDATE kb_docs SET version='2023-07-01' WHERE doc_id IN (xxx,yyy)；语义问题→在知识库设置中切换Embedding模型为bge-large-zh，并重新触发向量化任务。
