【示例】RAG 的引用看起来存在，却没有回答问题，该怎样做小规模评估？

试运营示例：参与成员与历史互动为演示数据，欢迎留下你的真实想法。

用自己的二十个常见问题测试，发现系统几乎总能给出引用，但有些引用只是出现了相同关键词。只检查“有没有出处”明显不够。

我准备分别标记是否找到了正确材料、答案是否被材料支持、是否遗漏关键限制。大家在小项目里会怎样组织人工评估，才能比较不同配置而不被一次漂亮回答带偏？