RAGは運用で育てられるのか？誤答を自動で拾い、評価データセットに変える仕組みを作る

LLMの誤答検出と検索品質のトレードオフを検証した事例。自己採点指標の限界と、検索経路（A-RAG vs Hybrid）変更による忠実性・網羅性の改善結果を報告し、システム設計における現実的な判断基準を提示。