做对了什么
先冻结评测口径——同一套 500 条固定回归集，每次迭代对比同一批指标，让"改动有没有用"可验证，而不是凭感觉。
成果与复盘
结果、复盘与资料
500条离线测试集（定义型 / 条件型 / 综合型）
0.96Recall@5（V1.0 0.876 → V1.1 0.960）
0.75MRR（正确条款排序前移）
95.2%引用正确率（V1.0 83.8% → V1.1 95.2%）
项目复盘
踩过的坑
中文数字表达漏召回、"应采用"被弱化、综合题只答一半、答案对但漏引表格——这些都靠定位到具体层级后逐一修复。
下一版怎么走
引入真实查询扩充同义词与边界测试，增强跨专业条文关联（知识图谱），并把上线后的采纳率、点踩率纳入迭代闭环。
数据说明
评测为同一套 500 条固定回归集上的离线回放结果（V1.0 / V1.1，模型 DeepSeek-R1）。