Add read-only production runtime audit

docs/evaluation-safety.md

@@ -0,0 +1,53 @@
+# Đánh giá, grounding và giới hạn
+
+> Loại chính: Explanation/How-to  
+> Đối tượng: RAG engineer, reviewer và operator
+
+## Mô hình an toàn
+
+Đây là chatbot tra cứu Dược thư, không phải hệ thống kê đơn. Hệ thống chỉ phát hành
+nội dung khi evidence và provenance vượt qua các cổng:
+
+1. scope guard chặn ngoài phạm vi và yêu cầu quyết định điều trị;
+2. clarification yêu cầu drug/population/age/weight/attribute còn thiếu;
+3. evidence policy yêu cầu score và provenance;
+4. quarantine buộc xem PDF với bảng/công thức chưa chuẩn hóa;
+5. citation validation chặn source ID ngoài evidence;
+6. numeric grounding chặn số liệu không có trong nguồn;
+7. semantic support và completeness chặn claim sai hoặc thiếu;
+8. request budget giới hạn 40 giây và 8 model calls theo default;
+9. clarify circuit breaker dừng loop không hội tụ.
+
+Provider lỗi, output sai schema hoặc validator không chắc chắn không được biến thành
+raw evidence dump. `verify_pdf` nghĩa là đã có nguồn nhưng cần xem vùng PDF;
+`abstain` nghĩa là không phát hành answer chuyên môn cho lượt đó.
+
+## Chạy manual battery
+
+```powershell
+Set-Location apps/ai-service
+python scripts/manual_battery.py `
+  --base-url http://localhost:8079 `
+  --target ai `
+  --cases evals/production_manual_60.jsonl `
+  --output evals/results/local.jsonl `
+  --run-id local-20260814
+```
+
+Dùng `--target web` để kiểm tra cả BFF. Có thể chọn subset bằng `--start`, `--ids`
+hoặc `--limit`. Báo cáo phải lưu commit SHA, model, corpus hash, target và thời gian.
+
+Đọc kết quả theo decision/reason, citation requirement, hành vi abstain/clarify và
+conversation order. Không quy đổi số test pass thành chất lượng lâm sàng và không
+so sánh hai run khác model/corpus/target mà không ghi khác biệt.
+
+## Giới hạn đã biết
+
+- Bảng/công thức không đi thẳng vào prose answer.
+- Reverse-relation và yêu cầu chọn điều trị có thể bị từ chối chủ động.
+- Generation phụ thuộc provider; mode disabled không có hội thoại agent đầy đủ.
+- Conversation store fail-open; một phần loop state nằm trong process.
+- Frontend chưa có automated test runner.
+- Corpus/benchmark count phải gắn ngày, model và hash; không coi số cũ là vĩnh viễn.
+- Test/eval chỉ xác nhận invariant và tập ca đã mã hóa, không chứng minh coverage vô hạn.
+