# 已核对的案例

这些说明只解释已保存的轨迹，不修改原评分，也不据此调整检索或提示词。

## 预算中断可以恢复

- `task-correction-01` 的 D 组找到了正确纠正记录。它最初多写了一个 `notes` 字段，校验失败；随后删掉多余字段，文件已经完全正确，却在下一次校验前触及原累计上下文预算。恢复原缓存轨迹后补上校验，验收通过。
- `task-units-02` 的 D 组得到正确单位和数值，多轮回查后写出正确文件，但没有预算再调用校验。续跑后验收通过。
- `task-failed_attempt-00` 的 C 组及 `known-task-failed_attempt-00` 的 D 组也通过了续跑验收。新增步骤单独计入成本，原成绩保留。

这些案例支持给有效进展留出收尾空间，不能算作向量检索丢失事实。

## 任务笔记确实保住过已验证的新结论

在 `known-task-failed_attempt-00` 中，目标从一开始就明确。最终摘要保留了失败方案的 `batch_size=64` 和 `unbounded` 重试，却没有保住后来批准的全部参数。A 组把新策略与这些旧参数拼在一起，验收失败。笔记保留了来源记录 `r00043` 对应的批准方案：`isolated_cursor`、`batch_size=17`、`retry_policy=bounded_two`；B 组写对并通过校验。

这是一例“目标明确、失败经验与新批准方案需要区分”的接续证据。不能由单例推断所有任务都需要额外笔记。

## 向量提高证据召回，也可能没有提高最终答案

公开样本 `32260d93` 要求推荐今晚观看的节目。标准期望是结合历史中的 Netflix 叙事型单口喜好提出推荐。

- 关键词组命中了正确 session，但没有命中官方标注的用户偏好 turn。
- 混合检索命中了 `r00414`，原文明确提到 Netflix、单口喜剧和类似 *Kid Gorgeous* 的叙事方式。
- D 组仍以“没有今晚具体推荐记录”为由拒绝给出推荐，因此官方提示词评分为失败。提供完整正确来源 session 的阅读诊断则给出了个性化推荐并通过评分。

因此，这一例中“证据 turn 召回提升”没有转化为“最终回答提升”。模型如何使用偏好、是否过度拒答，也是影响质量的因素；不能把所有失败归到检索。

另一个偏好样本 `caf03d32` 中，C/D 都找到了用户成功做过牛肉炖菜、想尝试酸奶的记录。两组回答均给出了具体的慢炖锅酸奶建议，但没有结合牛肉炖菜经验，且加入较多植物基饮食内容；同模型官方提示词裁判判为失败。该例包含部分正确个性化内容，不能简单描述成“完全没记住”或“拒答”。保留原判分，并将偏好题的主观判分边界作为局限。B 组在本例触及回答长度上限，C/D 均正常结束。

## 混合排序挤出关键原文

`gpt4_7ca326fa` 要求按毕业时间排列 Emma、Rachel、Alex。关键词组返回了三人的关键原始记录，顺序回答正确。混合组仍命中了三个来源 session，但没有返回包含 Rachel 毕业日期的 `r00190`，最终无法把 Rachel 放到正确位置。

这是一例在相同约 4,096 token 返回额度下，混合排序比关键词排序漏掉关键 turn 的可核对损失。不能仅凭“命中了正确 session”判断证据已经完整。

## 有正确原文仍读错日期；官方 turn 标签也存在缺口

`gpt4_68e94288` 的正确答案是 2023-03-15 参加的 `#PlankChallenge`。C/D 都返回了 `r00353`：日期明确为 2023-03-15，用户说当天参加了该活动。C 回答正确，D 却把活动归到 2023-03-06，因而拒绝给出正确答案。这一差异属于上下文中的日期读取/使用错误，不能归类成 D 没有检索到活动原文。

该样本官方 `has_answer` 标注的 turn 是另一个谈 3 月 9 日 `#FoodieAdventures` 的 `r00321`，没有标记实际相关的 `r00353`。因此自动证据 turn 召回对 C/D 都记为 0，尽管两组确实返回了正确证据。原标签与计算结果均保留；召回指标仅作为诊断，不能替代逐条证据和最终答案核对。

## 向量补回关键词完全没找到的年龄事实

`c18a7dc8` 问当前比大学毕业时大几岁。关键词返回中没有对应的两个来源，C 拒答。混合组返回 `r00265` 的当前年龄 32 岁和 `r00341` 的毕业年龄 25 岁，D 正确计算为 7 年。

这是一例明确的语义检索正收益，应与前面的损失同时报告。

## 自动裁判接受了前后矛盾的答案

`681a1674` 问重看过多少部漫威电影，参考答案为 2。C/D 都找到了两部电影的证据，但都先回答“一部”。C 后面又说若合并两次记录则总数为 2，因此被自动裁判判对；D 没有明确写出总数 2，被判错。

C 的首句与后文互相矛盾，不能将该自动得分描述成无争议的优质答案。主表保留官方提示词同模型评分；若以更严格的一致性要求把 C 也视为失败，这一条 C 胜 D 的差异会消失。它提醒我们：小样本上一个裁判边界就能改变百分点，不能过度解释净差值。

## 找齐了消费记录，仍弄错收礼人

`ef9cf60a` 的两个关键用户记录分别说明：已经给姐姐/妹妹买过约 200 美元的项链，以及上次送过 100 美元的 spa 礼卡。第一条同时还在为侄女规划另一份礼物，第二条同时讨论明年的计划。

C/D 都返回了这两条记录，但没有正确汇总为 300 美元。D 把已购买项链的收礼人误读成侄女，C 则漏用了项链消费。这是实体关系、计划与已发生事件的阅读问题；继续扩大相同检索的召回不必然解决它。