RAG-ассистент ошибается в 30% ответов — непонятно, что чинить

Команда оценивает RAG-ассистента только по итоговому ответу: асессоры отмечают, верен ли он. Ошибочны 30% ответов. Одни предлагают сменить LLM, другие — модель эмбеддингов, третьи — переписать промпт.

Как построить оценку, чтобы найти узкое место?