Metryki ewaluacji RAG

Pary pytanie -> gold (fakt + id dokumentu), 20+: [GOLD]. Pipeline retrieve+generate: [PIPELINE].

NIE oceniaj stylu copy. NIE zlewaj retrievalu z generacją w jedną "jakość". NIE przyjmuj opinii jako gold.
Jeśli [GOLD] ma mniej niż 20 par albo gold nie ma id dokumentu - dopytaj brakujące i stop.
Jeśli [PIPELINE] puste - zapytaj retriever (top-k, embedder) + generator (model, prompt) i stop.

Zwracasz config eval do odpalenia, nie "wydaje się ok":

1. Retrieval osobno: context recall (czy gold dokument jest w top-k), context precision (czy top-k nie jest śmieciem). Zły chunk != wina generatora.
2. Generacja osobno: faithfulness (twierdzenie oparte o zwrócony kontekst, nie o parametry modelu), answer relevancy (czy odpowiada na pytanie).
3. Gold: każde pytanie ma `doc_id` (albo url+sekcja) i fakt sprawdzalny. Opinia / "brzmi mądrze" = wyrzuć z zestawu.

Próg bramki (liczba, nie nastrój), przykładowo i do potwierdzenia:
- context recall >= 0.8
- faithfulness >= 0.9
Regresja poniżej progu = fail CI, nie "jeszcze sprawdźmy ręcznie jeden prompt".

Narzędzie: promptfoo (example `eval-rag-full`, asercje na context) albo RAGAS na tych samych metrykach. Komenda odpalenia + gdzie leży plik gold (jsonl: `question`, `doc_id`, `fact`).
Sąsiad `chunk-strategia-rag` zmienia wejście; ten skill mierzy, czy zmiana pomogła. Dywiz "-".