docs: DEPTH_ROADMAP T2.2 ✅ 检索质量评测(混合稳健兜底，量化在案)

Co-Authored-By: Claude Opus 4.8 <noreply@anthropic.com>

DEPTH_ROADMAP.md

@@ -69,15 +69,25 @@
 - 验收 ✅ live：active=死 ollama 主 + deepseek 备 → 任务连主拒连→自动切 deepseek→4s 完成。
 - v1 局限：Stream 仅建流同步报错时切（已回流 token 的中途失败不切）。
 
-### [~] T2.2 RAG 深度（三路做实✅；离线质量评测待补）
+### [x] T2.2 RAG 深度（三路做实✅；离线质量评测✅）
 实测纠正：RAG 三路(向量/全文/图谱)+RRF+rerank 早已实现，之前"降级/桩"全是基建没起的假象。
 基建拉起后发现真问题：**对中文只有向量路在干活**（`hybrid: 向量=1 全文=0 图谱=0`）。
 - [x] 修全文路：Bleve 默认分词器不切中文 → text 字段改 cjk 分词器（bigram），kb/doc 用 keyword
 - [x] 修图谱路：`$q CONTAINS a.name` 漏后缀错配（查"星云一号"漏实体"星云一号卫星"）→ 加查询
   字符 n-gram(2..8) 双向子串匹配
 - [x] live 验证：同查询 `向量=1 全文=0 图谱=0` → `向量=1 全文=1 图谱=9`，三路全活；中文混合 1/3→3/3
-- [ ] 检索质量度量（离线评测集 recall@k/MRR + 混合 vs 单路对比）—— 待补，量化"混合比单路好多少"
-- 验收：三路都真出结果✅；可度量待补。
+- [x] 检索质量度量（离线评测集 recall@k/MRR + 混合 vs 单路对比）—— `scripts/rageval.py` 可复用评测台；
+  引擎加 `SearchByMode`(vector/fulltext/graph/hybrid 纯检索)，kb_search 加 mode 参数。
+  **live 跑分(24篇语料/16查询，含纯语义改写)**：
+  | 模式 | recall@5 | MRR | 纯语义改写 |
+  |---|---|---|---|
+  | vector | 1.00 | ~0.9 | 4/4 |
+  | fulltext | 0.88 | 0.77 | **2/4** |
+  | graph | 0.75 | 0.59 | **1/4** |
+  | **hybrid** | **1.00** | ~0.9 | **4/4** |
+  结论：关键词/实体查询各路都强；**纯语义改写让全文/图谱漏召回，混合兜回 4/4**——
+  混合 = 各路上界的稳健组合，recall 始终 ≥ 最佳单路。图谱路最弱(依赖 LLM 抽取+实体匹配)。
+- 验收 ✅：三路都真出结果 + 质量可度量、混合价值量化（稳健兜底）。
 
 ### [~] T2.3 Prompt 版本管理 + 输出缓存（缓存半做）
 - [x] 模型输出缓存：`cachingModel`（llm/cache.go）包在 failover 外层，缓存 Generate（非流式），
@@ -130,7 +140,7 @@
 |---|---|
 | T0 激活 | 2 / 2 ✅ |
 | T1 收口 | 1 / 2 |
-| T2 深化 | 1 / 4 |
+| T2 深化 | 3 / 4 |
 | T3 硬化 ⏸ | 0 / 5 |
 
 > 推进顺序：T0.1 → T0.2 → T1.1 → T1.2 → T2.1 → T2.4(三段✅) → **T2.4 P0 Bleve 落盘** → … → （T3 按需）。