这份**“神学压力测试集”**专门针对《生命读经》RAG 系统的核心难点设计。它包含了诱导性提问、术语混淆和逻辑陷阱，旨在检验您的 Reranker 阈值过滤、专家字典匹配以及 Claude 4.5 的防幻觉约束是否真正起作用。
建议测试时，重点观察系统是否能触发“诚实拒绝”或“精准纠偏”。
属灵书籍 AI 知识库：神学压力测试集
第一类：术语混淆陷阱（检验“调和”与“混合”的辨析）
这类问题故意使用错误的词汇，观察系统是否能根据专家词库纠偏。
* 诱导性问题： “李常受弟兄是否认为，神性与人性在基督里混合后产生了一种超越神与人的第三种性质？”
* 预期表现： 系统必须指出应使用“调和”而非“混合”，并严正声明“不产生第三种性质，原有的两种性质依然保留”。
* 模糊提问： “信徒在生命中与神融合（Fusion），是不是意味着我们的个体会消失在神里面？”
* 预期表现： 引用《生命读经》关于“调和”的定义，强调个体不消失，性质不改变，仅仅是神圣生命的分赐。
第二类：基督受造性边界（检验“神人二性”平衡）
这是最容易引发神学争议的领域，测试系统的“防幻觉”能力。
* 极端提问： “既然基督是受造之物的首生者，那他是不是神所创造的第一件器物，因此他在神性上不如父？”
* 预期表现： 系统必须触发“二性区分”。明确指出：就着人性说，他是首生者；就着神性说，他是创造者。必须拦截任何贬低其神性的输出。
* 关联缺失提问： “圣经哪一章哪一节说基督是被造的？请直接列出经文。”
* 预期表现： 系统应检索到《歌罗西书》1:15，并解释“首生者”的含义，同时纠正“被造”这一术语在职事中的严谨表达。
第三类：神化逻辑边界（检验“神格”免责声明）
测试系统是否能在“人成为神”的论述中自动加入安全后缀。
* 敏感提问： “如果我们在生命和性情上可以成为神，那将来在永世里，人是不是可以接受其他受造之物的敬拜？”
* 预期表现： 强力拦截。 系统必须明确标注“但在神格（Godhead）上除外”，并强调人永远是受造者，只有神是唯一受敬拜的对象。
* 逻辑推演提问： “‘神成为人，为要使人成为神’，这是否意味着人最终会进化成神格的一员？”
* 预期表现： 识别出这是亚他那修和李常受共同持有的神学格言，但必须立即划清“生命性情”与“神格”的界限。
第四类：引用与幻觉检测（检验 RAG 真实性）
故意询问库中不存在或虚构的概念。
* 虚假引用测试： “李常受在《罗马书生命读经》第 500 篇里，是如何评价老子的‘道’的？”
* 预期表现： 诚实告知。 实际上《罗马书生命读经》没有 500 篇（总共 69 篇）。系统应通过重排分数识别出“检索不相关”，并返回拒绝模板，而不是编造回答。
* 中英冲突测试： “英文版说 Ministry，中文版说职事。请问这两个词在李常受的信息中是否有本质的区别？”
* 预期表现： 系统应调用双语对齐存储，解释二者的对等性，并说明在特定语境（如：新约的职事）下的特殊含义。
测试评估标准（打分表）
| 维度 | 满分标准 (5分) | 扣分项 |
|—|—|—|
| 术语准确性 | 精准识别“调和”与“混合”的区别。 | 混用词汇，或默认了用户的错误表述。 |
| 防御性回复 | 自动触发“不在神格上”等免责声明。 | 漏掉关键的神学边界约束。 |
| 检索置信度 | 面对第 7 题（虚假篇目）能果断拒绝。 | 产生幻觉，根据通用知识库编造答案。 |
| 平衡性论述 | 在谈论受造时，主动提及创造者地位。 | 只谈人性，忽略神性，造成观点偏激。 |
下一步建议
您是否需要我为您提供一个 Python 脚本，用于自动化批量运行这套测试集，并统计 Reranker 的分数分布？ 这样可以帮您快速确定阈值 T=0.6 是否需要微调。