Constrain Ragas testset generation budget

@@ -22,4 +22,7 @@ RAGAS_JUDGE_MODEL=gpt-4o-mini
 RAGAS_EMBEDDING_MODEL=text-embedding-3-small
 
 TESTSET_SIZE=50
+TESTSET_MAX_DOCUMENT_CHARS=2000
+TESTSET_SOURCE_MULTIPLIER=3
+TESTSET_GENERATOR_MAX_TOKENS=4096
 REQUEST_INTERVAL_SECONDS=0.2

@@ -68,7 +68,7 @@ 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；`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。
 
 ## 主要产物
 

@@ -290,6 +290,15 @@ max_workers: 1
 max_tokens: 4096
 ```
 
+如果 `05_generate_testset.py` 在生成 QA 时出现 `LLMDidNotFinishException`，优先不要继续盲目调大 `ragas.max_tokens`。`05` 有独立的生成预算和输入长度：
+
+```bash
+TESTSET_GENERATOR_MAX_TOKENS=4096
+TESTSET_MAX_DOCUMENT_CHARS=2000
+```
+
+如果 vLLM 仍然报生成未完成，先把 `TESTSET_SIZE` 降到 3，再把 `TESTSET_MAX_DOCUMENT_CHARS` 调到 1000-1500 验证链路；`ragas.max_tokens` 主要用于后续评测阶段，不应该拿来无限放大测试集生成阶段的输出长度。
+
 ### WeKnora 问答没有 retrieved_contexts
 
 检查：

@@ -13,6 +13,9 @@ testset:
   include_pdf: true
   include_xlsx: true
   min_context_chars: 80
+  max_document_chars: "${TESTSET_MAX_DOCUMENT_CHARS:-2000}"
+  source_multiplier: "${TESTSET_SOURCE_MULTIPLIER:-3}"
+  generator_max_tokens: "${TESTSET_GENERATOR_MAX_TOKENS:-4096}"
   require_manual_review: true
 
 parsing:
@@ -69,7 +72,7 @@ ragas:
   judge_model: "${RAGAS_JUDGE_MODEL}"
   embedding_model: "${RAGAS_EMBEDDING_MODEL}"
   temperature: 0
-  max_tokens: 8192
+  max_tokens: 4096
   timeout_seconds: 600
   max_workers: 1
   metrics:

 from __future__ import annotations
 
 import json
+import logging
 from typing import Any
 
 from langchain_core.documents import Document
@@ -13,6 +14,8 @@ from weknora_eval.loaders import read_jsonl, write_jsonl
 from weknora_eval.ragas_runner import _wrap_langchain_models
 from weknora_eval.schemas import TestsetRecord
 
+logger = logging.getLogger(__name__)
+
 
 def generate_testset(config: dict[str, Any]) -> list[dict[str, Any]]:
     testset = config.get("testset", {})
@@ -37,6 +40,11 @@ def generate_ragas_testset(
     ragas_config = config["ragas"]
     size = int(testset_config.get("size", 50))
     min_context_chars = int(testset_config.get("min_context_chars", 80))
+    max_document_chars = int(testset_config.get("max_document_chars", 2000))
+    source_multiplier = max(int(testset_config.get("source_multiplier", 3)), 1)
+    generator_max_tokens = int(
+        testset_config.get("generator_max_tokens", ragas_config.get("max_tokens", 4096))
+    )
 
     source_rows = [
         row
@@ -47,24 +55,34 @@ def generate_ragas_testset(
         write_jsonl(output_path, [])
         return []
 
+    source_limit = min(len(source_rows), max(size * source_multiplier, size, 1))
+    selected_source_rows = source_rows[:source_limit]
     documents = [
         Document(
-            page_content=row["content"],
+            page_content=_truncate_for_generation(row["content"], max_document_chars),
             metadata={
                 "source_file": row.get("source_file"),
                 "doc_id": row.get("doc_id"),
+                "content_chars": len(row.get("content") or ""),
                 **(row.get("metadata") or {}),
             },
         )
-        for row in source_rows
+        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",
+        size,
+        len(documents),
+        max_document_chars,
+        generator_max_tokens,
+    )
 
     llm = ChatOpenAI(
         model=str(require_config(config, "ragas.generator_model")),
         api_key=_required_ragas_value(ragas_config, "llm_api_key"),
         base_url=_required_ragas_value(ragas_config, "llm_base_url"),
         temperature=float(ragas_config.get("temperature", 0)),
-        max_tokens=int(ragas_config.get("max_tokens", 4096)),
+        max_tokens=generator_max_tokens,
         timeout=int(ragas_config.get("timeout_seconds", 600)),
     )
     embeddings = OpenAIEmbeddings(
@@ -78,21 +96,29 @@ def generate_ragas_testset(
     ragas_llm, ragas_embeddings = _wrap_langchain_models(llm, embeddings)
     generator = TestsetGenerator(llm=ragas_llm, embedding_model=ragas_embeddings)
     result = generator.generate_with_langchain_docs(
-        documents[: max(size, 1)],
+        documents,
         testset_size=size,
         run_config=RunConfig(
             timeout=int(ragas_config.get("timeout_seconds", 600)),
             max_workers=int(ragas_config.get("max_workers", 1)),
         ),
+        batch_size=1,
         raise_exceptions=False,
     )
 
     ragas_rows = result.to_list()
-    rows = _normalize_ragas_rows(ragas_rows, source_rows)
+    rows = _normalize_ragas_rows(ragas_rows, selected_source_rows)
     write_jsonl(output_path, rows)
     return rows
 
 
+def _truncate_for_generation(content: str, max_chars: int) -> str:
+    text = " ".join((content or "").split())
+    if max_chars <= 0 or len(text) <= max_chars:
+        return text
+    return text[:max_chars].rstrip()
+
+
 def _normalize_ragas_rows(
     ragas_rows: list[dict[str, Any]],
     source_rows: list[dict[str, Any]],