M1+M2: RAG-Pipeline mit verbindlichem Grounding

agent/-Paket: Ingest (601 Layer-2-Eintraege -> 3005 Chunks, FTS5-BM25 +
Vektoren-Cache), Hybrid-Retrieval (RRF, Stand-Boost, cross_ref-Erweiterung),
Ollama-Client (embed/chat, think-Flag-Fallback, kurzes Connect-Budget),
Systemprompt mit Zitierpflicht, Post-Validierung (zitierte IDs gemaess
Retrieved-Set, 1x Regenerierung, dann Verweigerung), FastAPI (/ask, /health,
/reindex), CLI, Goldset (31 Fragen, IDs gegen kb.json verifiziert, inkl.
ATZ-Konfliktfall + 4 Verweigerungsfaelle), Eval-Suite, Test-Chat.

41 Offline-Tests gruen. Baseline BM25-only: Hit-Rate 0,871 / Recall@8 0,855 /
MRR 0,476. Hybrid-Messung, Antwortmodus-Eval und Modell-Bake-off (M3) auf
dem Host ausstaendig (Ollama aus der Zed-Sandbox nicht erreichbar).

MEMORY.md und planung.md Umsetzungsstand aktualisiert.
This commit is contained in:
2026-09-14 16:53:04 +02:00
parent bf8191b013
commit 2cba72aeb0
26 changed files with 2574 additions and 1 deletions
+1
View File
@@ -0,0 +1 @@
"""Eval-Paket: Goldset + Metriken für Retrieval und belegte Antworten."""
+178
View File
@@ -0,0 +1,178 @@
"""Goldset-Evaluation.
Modus 1 (offline, ohne Ollama): Retrieval-Metriken — Recall@k, Hit-Rate, MRR.
Modus 2 (--answers, benötigt Ollama): Zitier-Präzision (validated),
Verweigerungskorrektheit, erwartete Quelle zitiert, Latenz.
Kriterien laut Skill: Recall@8 > 0,9; Zitier-Präzision 100 %;
Verweigerungen korrekt.
"""
from __future__ import annotations
import json
import statistics
from pathlib import Path
import yaml
from ..config import Config
from ..retrieve import Retriever
GOLDSET_PATH = Path(__file__).parent / "goldset.yaml"
def load_goldset(path: Path = GOLDSET_PATH) -> list[dict]:
data = yaml.safe_load(Path(path).read_text(encoding="utf-8"))
questions = data.get("questions", [])
if not questions:
raise SystemExit(f"goldset leer: {path}")
return questions
def evaluate_retrieval(cfg: Config, questions: list[dict], k: int = 8) -> list[dict]:
retriever = Retriever(cfg)
rows: list[dict] = []
try:
for q in questions:
if q.get("expect_refusal"):
continue # Verweigerungsfälle werden nur im Antwortmodus gemessen
expected = set(q.get("expected_ids", []))
if not expected:
continue
results = retriever.search(q["question"], n_entries=k)
retrieved = [r.entry_id for r in results]
hits = expected & set(retrieved)
rank = next(
(retrieved.index(e) + 1 for e in expected if e in retrieved), None
)
rows.append(
{
"id": q["id"],
"question": q["question"],
"expected": sorted(expected),
"retrieved": retrieved,
"recall": len(hits) / len(expected),
"hit": bool(hits),
"mrr": (1.0 / rank) if rank else 0.0,
}
)
finally:
retriever.close()
return rows
def summarize_retrieval(rows: list[dict]) -> dict:
if not rows:
return {"n": 0}
return {
"n": len(rows),
"hit_rate": round(sum(r["hit"] for r in rows) / len(rows), 4),
"mean_recall_at_k": round(statistics.mean(r["recall"] for r in rows), 4),
"mrr": round(statistics.mean(r["mrr"] for r in rows), 4),
}
def evaluate_answers(cfg: Config, questions: list[dict]) -> list[dict]:
from ..generate import answer_question # Ollama nötig — hier erst importieren
rows: list[dict] = []
for q in questions:
result = answer_question(q["question"], cfg)
expected = set(q.get("expected_ids", []))
should_refuse = bool(q.get("expect_refusal"))
rows.append(
{
"id": q["id"],
"question": q["question"],
"refused": result["refused"],
"should_refuse": should_refuse,
"refusal_correct": result["refused"] == should_refuse,
"verified": result["verified"],
"citations": result["citations"],
"expected_cited": (
any(c in expected for c in result["citations"]) if expected else None
),
"regenerations": result["regenerations"],
"latency_ms": result["latency_ms"],
}
)
return rows
def summarize_answers(rows: list[dict]) -> dict:
if not rows:
return {"n": 0}
lat = [r["latency_ms"] for r in rows]
return {
"n": len(rows),
"citation_precision": round(
sum(r["verified"] for r in rows) / len(rows), 4
),
"refusal_correct_rate": round(
sum(r["refusal_correct"] for r in rows) / len(rows), 4
),
"expected_cited_rate": round(
sum(bool(r["expected_cited"]) for r in rows)
/ max(1, sum(1 for r in rows if r["expected_cited"] is not None)),
4,
),
"latency_ms_mean": round(statistics.mean(lat)),
"latency_ms_p95": round(sorted(lat)[int(len(lat) * 0.95) - 1]),
"regenerations_total": sum(r["regenerations"] for r in rows),
}
def run_eval(cfg: Config, args) -> int:
questions = load_goldset()
if args.limit:
questions = questions[: args.limit]
mode = "retrieval + Antworten" if args.answers else "nur Retrieval (offline)"
print(f"Goldset: {len(questions)} Fragen · Modus: {mode} · k={args.k}")
print(f"Antwortmodell: {cfg.answer_model} · Embedding: {cfg.embed_model}")
print("-" * 78)
report: dict = {"mode": mode, "k": args.k, "model": cfg.answer_model}
rows = evaluate_retrieval(cfg, questions, k=args.k)
for r in rows:
mark = "" if r["hit"] else ""
print(
f"{mark} {r['id']:8s} recall={r['recall']:.2f} "
f"mrr={r['mrr']:.2f} {r['question'][:56]}"
)
if not r["hit"]:
print(f" erwartet: {', '.join(r['expected'])}")
print(f" erhalten: {', '.join(r['retrieved'][:args.k])}")
summary = summarize_retrieval(rows)
report["retrieval"] = {"summary": summary, "rows": rows}
print("-" * 78)
print(f"Retrieval: n={summary['n']} Hit-Rate={summary['hit_rate']} "
f"Recall@{args.k}={summary['mean_recall_at_k']} MRR={summary['mrr']}")
if args.answers:
arows = evaluate_answers(cfg, questions)
for r in arows:
mark = "" if (r["verified"] and r["refusal_correct"]) else ""
print(
f"{mark} {r['id']:8s} refused={r['refused']} verified={r['verified']} "
f"zit={','.join(r['citations'][:4])} {r['latency_ms']}ms"
)
asummary = summarize_answers(arows)
report["answers"] = {"summary": asummary, "rows": arows}
print("-" * 78)
print(
f"Antworten: n={asummary['n']} Zitier-Präzision={asummary['citation_precision']} "
f"Verweigerung korrekt={asummary['refusal_correct_rate']} "
f"erwartete Quelle zitiert={asummary['expected_cited_rate']}"
)
print(
f"Latenz: mean={asummary['latency_ms_mean']}ms p95={asummary['latency_ms_p95']}ms "
f"Regenerierungen={asummary['regenerations_total']}"
)
if args.json_out:
Path(args.json_out).parent.mkdir(parents=True, exist_ok=True)
Path(args.json_out).write_text(
json.dumps(report, indent=2, ensure_ascii=False), encoding="utf-8"
)
print(f"Report geschrieben: {args.json_out}")
return 0
+116
View File
@@ -0,0 +1,116 @@
# Goldset für die Evaluation des PV RAG Agent.
# expected_ids: verifiziert gegen wissensbasis/kb.json (Titel-Suche).
# expect_refusal: Frage darf/darf nicht aus der Wissensbasis beantwortet
# werden — Antwortmodus (eval --answers) muss verweigern.
# q-002 ist der bekannte Korpuskonflikt (ATZ-Ersatzquote 28,5 vs. 27,5 %).
questions:
- id: q-001
question: "Was ist Altersteilzeit und wie funktioniert der Lohnausgleich?"
expected_ids: [lb-atz-07, lb-atz-04]
- id: q-002
question: "Wie hoch ist die AMS-Ersatzquote bei geblockter Altersteilzeit?"
expected_ids: [lb-atz-07, lb-atz-09, lb-atz-12]
note: "Korpuskonflikt — beide Werte mit ⚠ nennen."
- id: q-003
question: "Für welche Arbeitnehmer ist die Altersteilzeit förderbar?"
expected_ids: [lb-atz-03]
- id: q-004
question: "Wie viele Wochen gesetzlicher Urlaub stehen einem Arbeitnehmer zu?"
expected_ids: [lb-url-05]
- id: q-005
question: "Wie wird das Urlaubsentgelt beim Wechsel zwischen Teilzeit und Vollzeit berechnet?"
expected_ids: [lb-url-13]
- id: q-006
question: "Wie lange dauert die Entgeltfortzahlung im Krankenstand?"
expected_ids: [lb-krs-08]
- id: q-007
question: "Welche Fristen gelten für die Auflösung in der Probezeit?"
expected_ids: [lb-bnd-37]
- id: q-008
question: "Welche Verfügungsmöglichkeiten gibt es bei der Abfertigung neu?"
expected_ids: [lb-end-03]
- id: q-009
question: "Welche Bezugsbestandteile sind beitragsfrei nach § 49 Abs. 3 ASVG?"
expected_ids: [lb-sva-03, lb-sva-04]
- id: q-010
question: "Wie hoch sind die Sozialversicherungs-Beitragssätze für Dienstnehmer?"
expected_ids: [lb-sva-06]
- id: q-011
question: "Was gilt als Nachtschwerarbeit und welche Folgen hat das?"
expected_ids: [lb-nsc-01]
- id: q-012
question: "Wie sind Mitarbeiterrabatte abgabenrechtlich zu behandeln?"
expected_ids: [lb-sac-02]
- id: q-013
question: "Wie wird die Privatnutzung eines Dienstwagens besteuert?"
expected_ids: [lb-sac-03]
- id: q-014
question: "Unter welchen Voraussetzungen gibt es Pendlerförderung?"
expected_ids: [lb-pen-01]
- id: q-015
question: "Wie werden Tagesgelder bei Dienstreisen abgerechnet?"
expected_ids: [lb-rei-09]
- id: q-016
question: "Wie läuft eine GPLB ab?"
expected_ids: [lb-gpl-01]
- id: q-017
question: "Was ist bei der Entsendung von Arbeitnehmern ins Ausland zu beachten?"
expected_ids: [lb-grz-06, lb-grz-07]
- id: q-018
question: "Wie funktioniert die betriebliche Vorsorgekasse mit Beitragszahlung?"
expected_ids: [lb-vor-02, lb-vor-03]
- id: q-019
question: "Welche Pflichten gelten bei der Einstellung von Lehrlingen?"
expected_ids: [lb-leh-03]
- id: q-020
question: "Welche Beschäftigungsverbote gelten für Schwangere?"
expected_ids: [lb-sch-04]
- id: q-021
question: "Wann beginnt die Elternkarenz und wie lange kann sie dauern?"
expected_ids: [lb-kar-01]
- id: q-022
question: "Wie ist eine Überstundenpauschale zu behandeln?"
expected_ids: [lb-ues-02]
- id: q-023
question: "Was muss ein Dienstzeugnis enthalten?"
expected_ids: [lb-bso-04]
- id: q-024
question: "Was ist bei Kurzarbeit arbeitsrechtlich zu beachten?"
expected_ids: [lb-azm-04, lb-azm-05, lb-azm-06]
- id: q-025
question: "Was passiert mit den Ansprüchen der Arbeitnehmer beim Betriebsübergang?"
expected_ids: [lb-ins-01]
- id: q-026
question: "Wie sind Nachzahlungen abzurechnen?"
expected_ids: [lb-naz-01]
- id: q-027
question: "Was ist beim Einlangen einer Lohnpfändung zu beachten?"
expected_ids: [lb-pfa-01, lb-pfa-02]
- id: q-028
question: "Wird die Sonderzahlung bei Eintritt oder Austritt aliquotiert?"
expected_ids: [lb-son-01]
- id: q-029
question: "Welche Neuerungen behandelt WIKU Personal aktuell 2026?"
expected_ids: [wk-akt-01]
- id: q-030
question: "Wer zahlt das Wochengeld und wie wird es berechnet?"
expected_ids: [lb-msf-03]
- id: q-031
question: "Was regelt das Mindestlohngesetz und für wen gilt es?"
expected_ids: [lb-ent-09]
# --- Verweigerungsfälle (Antwortmodus) ---
- id: r-001
question: "Wie hoch ist der aktuelle EUR-USD-Wechselkurs?"
expect_refusal: true
- id: r-002
question: "Wer war Bundeskanzler Österreichs im Jahr 2000?"
expect_refusal: true
- id: r-003
question: "Bis wann muss die Umsatzsteuervoranmeldung abgegeben werden?"
expect_refusal: true
note: "Schwerer Fall: 13 Chunks erwähnen 'Umsatzsteuer' beiläufig — Retrieval nicht leer, aber inhaltlich nicht gedeckt."
- id: r-004
question: "Wie bereite ich einen Pitch für Investoren vor?"
expect_refusal: true