🧪 ToolRAG 测试工具

🔎 索引完整性审计（P2）

不信任 indexer 自报的计数，从数据库独立核对：对账 index_metadata 自报值与 retrieval_document 实际计数、业务接口视图与索引快照的 双向覆盖差集、关键字段空值率、record_type 分布。

📈 召回率/准确率批量评估（P3）

对 ground_truth/ 目录下的用例文件批量发起检索，计算 Recall@K / Precision@K / MRR / Top1 命中率。K 固定等于本次的 topK。 expected 为空的用例不计入平均值，单独统计误召回率。

1️⃣ 构造检索请求

2️⃣ 实际发出的请求

3️⃣ 原始响应

4️⃣ 候选解析

5️⃣ 详情查询（路径 A 索引快照 为主 / 路径 B 接口视图 为对照）

6️⃣ Prompt 片段生成（{{available_tools}} 形状）

7️⃣ API边界探测（P4）

逐条断言坏 token / 缺 header / 错误 region / DTO 边界值等场景的 实际响应是否与当前服务端代码的真实行为一致。已修复的历史发现： 此前 V2 的 tasks 字段有 DTO 级别 @Size(max=20) 硬约束，topK 有 @Max(50) 硬约束，均早于并严于 Nacos 里对应的配置值 （max-tasks=30、max-top-k=100），导致后者对 21-30/51-100 区间 从未真正生效；已于 2026-09-20 同步放宽 DTO 约束到 30/100 （含 OpenAPI schema 与测试环境配置）。用例 9a-9f 现在验证的是 修复后的边界行为（21/30/51/100 应放行，31/101 应仍被正确拒绝）。