改为均衡抽样生成测试集

@@ -71,7 +71,7 @@ python scripts/10_report.py
 
 首轮建议只使用 2 个 PDF、1 个 XLSX 和 10 条审核通过 QA，确认 `retrieved_contexts`、`response`、Ragas 输入字段都正常后再扩展样本量。
 
-默认 `04_parse_docs.py` 从 WeKnora 导出的 `data/exported/chunks.jsonl` 构造测试集来源，不再重复调用外部 PDF 解析器。`05_generate_testset.py` 默认使用 Ragas 结合评估侧 LLM 自动生成 QA；生成阶段使用 `TESTSET_RAGAS_MODE=direct`，直接把 WeKnora chunks 组装成 Ragas KnowledgeGraph 并生成单跳 QA，避免 Ragas 默认文档预处理链路重新抽标题、摘要和实体。生成阶段还会用 `TESTSET_MAX_DOCUMENT_CHARS` 限制单条来源上下文长度，并用 `TESTSET_GENERATOR_MAX_TOKENS` 控制生成输出预算，避免和后续评测用的 `ragas.max_tokens` 混在一起。`local`、`mineru` 和 `rule_based` 只作为可选实验/兜底配置保留。
+默认 `04_parse_docs.py` 从 WeKnora 导出的 `data/exported/chunks.jsonl` 构造测试集来源，不再重复调用外部 PDF 解析器。`05_generate_testset.py` 默认使用 Ragas 结合评估侧 LLM 自动生成 QA；生成阶段使用 `TESTSET_RAGAS_MODE=direct`，直接把 WeKnora chunks 组装成 Ragas KnowledgeGraph 并生成单跳 QA，避免 Ragas 默认文档预处理链路重新抽标题、摘要和实体。生成阶段还会用 `TESTSET_MAX_DOCUMENT_CHARS` 限制单条来源上下文长度，用 `TESTSET_GENERATOR_MAX_TOKENS` 控制生成输出预算，并按来源文件轮询抽样，避免测试集集中在单个文件。`local`、`mineru` 和 `rule_based` 只作为可选实验/兜底配置保留。
 
 ## 主要产物
 

@@ -298,7 +298,7 @@ TESTSET_GENERATOR_MAX_TOKENS=4096
 TESTSET_MAX_DOCUMENT_CHARS=2000
 RAGAS_ENABLE_THINKING=false
 RAGAS_HTTP_KEEPALIVE=false
-RAGAS_TESTSET_TRANSFORMS=default
+RAGAS_TESTSET_TRANSFORMS=single_hop_entities
 ```
 
 `direct` 模式会跳过 Ragas 默认的 `HeadlinesExtractor`、`SummaryExtractor`、`NERExtractor` 文档预处理链路，直接把 WeKnora chunks 组装成 Ragas KnowledgeGraph 并生成单跳 QA。`prechunked` 和 `langchain_docs` 仅用于对比实验，遇到本地 vLLM 结构化输出不稳定时不建议使用。

 from __future__ import annotations
 
 import asyncio
+from collections import defaultdict
 import inspect
 import json
 import logging
@@ -71,7 +72,7 @@ def generate_ragas_testset(
         return []
 
     source_limit = min(len(source_rows), max(size * source_multiplier, size, 1))
-    selected_source_rows = source_rows[:source_limit]
+    selected_source_rows = _select_source_rows(source_rows, source_limit)
     documents = [
         Document(
             page_content=_truncate_for_generation(row["content"], max_document_chars),
@@ -85,9 +86,10 @@ def generate_ragas_testset(
         for row in selected_source_rows
     ]
     logger.info(
-        "Generating Ragas testset: target_size=%s source_documents=%s max_document_chars=%s generator_max_tokens=%s ragas_mode=%s",
+        "Generating Ragas testset: target_size=%s source_documents=%s source_files=%s max_document_chars=%s generator_max_tokens=%s ragas_mode=%s",
         size,
         len(documents),
+        len({row.get("source_file") or "unknown" for row in selected_source_rows}),
         max_document_chars,
         generator_max_tokens,
         ragas_mode,
@@ -129,6 +131,35 @@ def generate_ragas_testset(
     return rows
 
 
+def _select_source_rows(
+    source_rows: list[dict[str, Any]],
+    limit: int,
+) -> list[dict[str, Any]]:
+    grouped: dict[str, list[dict[str, Any]]] = defaultdict(list)
+    source_order: list[str] = []
+    for row in source_rows:
+        source = str(row.get("source_file") or "unknown")
+        if source not in grouped:
+            source_order.append(source)
+        grouped[source].append(row)
+
+    selected: list[dict[str, Any]] = []
+    cursor = 0
+    while len(selected) < limit and source_order:
+        progressed = False
+        for source in source_order:
+            rows = grouped[source]
+            if cursor < len(rows):
+                selected.append(rows[cursor])
+                progressed = True
+                if len(selected) >= limit:
+                    break
+        if not progressed:
+            break
+        cursor += 1
+    return selected
+
+
 def _generate_ragas_direct_rows(
     llm: ChatOpenAI,
     documents: list[Document],