主题
第六部分 评估与调优
这一部分要回答的问题：承接第五部分：链路搭起来了，怎么知道它答得好不好？
五节是「造尺子 → 用尺子」的顺序（图 6-1）：6.1 先把测试集造出来，6.2 与 6.3 分别量检索和生成，6.4 用消融判断每个组件值多少，6.5 把错题落回具体环节。
这一部分的实验代码在 labs/06-evaluation/，数据在 benchmarks/evaluation/。测试集有两个版本：eval/qa.jsonl 是第五部分的 80 题，eval/qa-v2.jsonl 是本部分扩到的 300 题（dev/test 各 150）。
有几处限制在正文里按未验证写，不藏：test 分片有 8 道题因 5.3 的短条款被丢弃而排除；v2 的生成结果没有人工正确率标签，6.3 的裁判只在 v1 的 80 条上校准过。