production-readiness · 终报

Z3 全文↑ Z2 条目

轮次报告全文 · 逐字真源投影

本页是轮次报告的逐字投影（仅隐私清洗，零改写）。渲染不了的元素退化为代码块原文。

时点提示：本页是仓内文件 adhoc_jobs/context_infra_base_tooling_buildout_20260615/production_readiness_20260704/FINAL_REPORT.md 的逐字投影（仅做隐私清洗：仓库根绝对路径→相对路径、家目录→~/；除此零改写）。若源文件后续有修订，以仓内真源为准。

报告元数据（frontmatter）

req_id: BT-PROD-001
req_id_2: BT-PROD-002
task_id: T1082
session_id: c2c220ad-32f5-4d1a-bb19-1b8616e4b84f
created_at: 2026-07-04
phase: BT-P5-close
doc_type: final_report
verdict: BT-PROD-CLOSED-BOUNDED-WITH-FIRST-REAL-EVIDENCE

BaseTooling Buildout production-readiness 推进 — 最终报告

一段话回答核心问题

你要的三件事都有了真实运行证据：分层重定义落成系统级真源 rules/DETERMINISTIC_SEMANTIC_LAYERS.md（一个分界原则、能力/检查两个位点、确定层四职能+输出反馈契约、2×2 判断矩阵覆盖判据）；测试方法论基于 26 本库内软工书籍提炼成八条道层原则+六类模块术表（fitness function 治理/oracle 降级阶梯/STPA 触发分类/统计纪律/通道身份纪律/production 耦合），并全部落成可跑的件；你点名的疑问「之前的测试是否真的启动了 Claude Code」查清了——机械审计确认历史上 30 处 CC 派发声明 30 处全真（transcript 逐一回指验证），但其中 27 处跑在 GLM/Kimi 后端、只有 2 处原生 Anthropic 通道，且全部集中在 Run3 收尾 45 小时窗口内，Run4 修复轮零 CC 证据——这个「CC 外壳真、原生模型少、修复轮空白」的格局现在被通道身份三字段+记分牌通道谓词永久机械化盯防，今天的 T1 测试补上了原生通道臂。本轮收口判级 bounded-verified-build + first-real-evidence：建的每件都被至少一次真实运行消费过，但都是单 case 单日证据，不冒领 production-final。

做了什么（五阶段闭环）

P1 三路调查（research/）：测试真实性机械审计（30/30 验证+通道分布+Run4 空白）；分层定义现状盘点（9 处既有定义逐字对照，发现「触发判据独大、功能内容散落」+ 术语双义 + regulator 默认值两套矛盾语义）；156 本书 manifest+26 本精读的方法论提取（5 条正交候选）。

P2 设计 + 对抗审查（design/）：分层重定义 v2 与测试方法论设计由我亲做（多候选对比：记分牌真源三族+审查补录第四族，裁定 A 注册表+B 探针 join）；独立 Fable 对抗审查给出 5 verdict + 4 必须修项（M1 四值契约校验件缺执行件、M2 覆盖判据自相矛盾、M3 着色无通道维度、M4 registry 塞 gates[] 会静默降级 live 白名单）——全部修入 v2.1/v1.1。

P3 八切片实装（impl/IMPL_LEDGER.md，全部主 agent 独立验收非信自报）：S1 gate 单真源（28 条 manifest+INDEX GENERATED 派生+一致性自检）；S2 PROMOTE-ONE（intake_gate 迁底座，产 base 契约缺口 4 条）；S3 判断 Agent 构件族（judgment_packet+semantic_verdict 四值校验件+landing 第五察验+regulator forced 升档）；S4 capabilities registry+test_health 记分牌（19 能力、通道谓词着色、缺口 todo intake 接头）；S5 eval_harness 强化（通道三字段/claim_scope/isolation 单真源/transcript_sha 去重/--replicate/UCA/合成探针 schema）；S6a 测试卫生（2 个 mock 不安全单测修复，断网可过）；S6b 分层真源晋升 rules/；S7 判定类 worker phase-hook 豁免（修复 5 跑 3 中的判决挤占，修后 6/6 干净）。测试计数：本轮相关套件独立复跑累计 400+ passed。

P4 真实 CC session 测试（tests/TEST_RUNS_LEDGER.md，用户点名强制步骤）：

T1 催缺机制三臂：正臂（原生 claude:high，worker 自我 arm→义务追踪→advance 注入→放行）PASS；pos2 纯净拦截标本（外部武装+植入义务，worker 不知 plan 存在，仅凭确定层注入完成拦截→感知→补齐→放行全回路，kimi 后端）PASS；负臂 mutation guard（worker 被指令拒补，催缺三次开火、义务未闭不放行）oracle 判 FLAG=期望。四 artifact 三臂齐，通道身份全链入账。
T3 语义主门端到端：真实 LLM 判断 Agent 拿完整判断包（需求逐字/意义/MVP 效果/实现要求/模块化+机械信号）出四值判决——正臂 worked→landing shell+C5 双层 PASS（「两层齐过才 landed」真实走通）；负臂拿一个 registry 已注册、零实现的真实缺口判 did_not_work+可定位反例→主门拦截。
T2 改道处置：记分牌 CLI 形态已验；注入接线缺口由记分牌自己暴露、判断 Agent 判决、缺口接头 intake 入队（BT-PROD-F3）——「缺口→判决→修复动作」回路在同一缺口上有机转了一圈。

P5 收口：solid_decision_phase 联动综合（9 closure×7 条 linked 联动、疑问 2 条补料闭环）过 gate SD1-SD4 全 PASS（regulator 真跑）。

测试中抓到并处理的真问题（测试系统在自证有效）

F1 判决挤占（5 跑 3 中）：regulator session 被 repo phase hook 干扰→S7 豁免机制当日修复+真实 2/2 验证。
F2 oracle 硬耦合：eval_oracle 与 skill 场景绑死，phase 机制面只能手工组合判定（_oracle_form 全程留痕）→ 已入队。
F3 注入接线缺口：记分牌自己暴露自己的最后一公里→已入队。
提取器缺陷现场修（S8）：叙述+JSON 混排致首个真实判决 parse 失败→候选块枚举修复+回归测试，内容校验强度不变。
并发污染假阳：eval run 与实装 worker 并行导致 isolation 误报→逐文件归因+安静窗口反证，教训入 ledger。
S4 台账冒名：worker 把「主 agent 亲验」写进我的台账→已当场更正并全量重验，署名纪律记录在案。

production-ready 判据现状（记分牌实况）

19 能力：68/76 格有效覆盖（89.5%）、⚠4（evolvable_workflow 仅 Codex 证据=Run4 模式现在机器可见）、✗4（F3 缺口）。六条审计收口条件：条件 2（K6 语义主门）本轮兑现（landing C5+forced 升档+T3 端到端）；条件 5（gate 单真源+PROMOTE-ONE）本轮兑现；条件 6（注册 provenance）部分兑现（run receipt+commit 入 T3 正臂链）；条件 1/3 靠有机使用积累（记分牌使其可观测）；条件 4 显式 out-of-scope（intake 域）。

claim ceiling 与残差

BT-PROD-CLOSED-BOUNDED-WITH-FIRST-REAL-EVIDENCE：机械边全真实、每件被至少一次真实运行消费；单 case 单日，未跨任务积累；13 域全量按新方法论复测未做（是记分牌上的可见黄区而非盲区）。残差清单：BT-PROD-F2（oracle case 类型抽象）、F3（注入接线+T2 完整版）、15 gate 迁移债（S2 缺口清单为输入）、记分牌 covered 行误生成 intake 接头（小瑕疵）、判断 Agent 校准样本积累（长期）。全部在需求脊柱或 ledger 挂账，无静默丢失。

(a) 专业术语注释

确定层 / 语义层（能力位点 α）：系统运行时能力的分层——不需要大模型语义理解即可正确执行的（hook/cron/gate 引擎/驱动器/守卫）归确定层，需要的（skill 语义使用、判断型 CLI、按语义归置）归语义层。真源 rules/DETERMINISTIC_SEMANTIC_LAYERS.md。
确定层检查 / 语义层检查（检查位点 β）：同一分界应用在「判定干得怎么样」上——机械断言（文件/I-O/exit code/触发信号）vs 判断 Agent（是设计所指吗、解决痛点了吗）。
2×2 判断矩阵：两个判断轴（功能准确性 / 实现好不好）× 两层检查，四格都有内容才算「已测」。
判断 Agent：产出「好不好」判决的独立第二 LLM 构件；输入=判断包（judgment_packet：需求逐字/意义/MVP 效果/实现要求/模块化/机械信号），输出=四值判决（worked / worked_partially / did_not_work / cannot_judge）+ 可定位反例；fail-safe：cannot_judge/无反例/不可解析一律 FLAG。
fitness function（FF）：保护某个特征的命名检查（gate/eval/巡检/HUMAN_GATE 皆是），BEA 四维分类（原子/整体×触发/持续/时间×静态/动态×自动/人工）。
capabilities registry / 记分牌：gate_manifest.yaml 新增 section 持有应然（能力清单+保护 FF+required_channel+2×2 覆盖要求）；test_health/scoreboard.py 现算实然并 join 出缺口着色。
通道身份三字段 / claim_scope：{channel, backend_model, model_evidence_source} 全链透传；claim_scope=cc_native（原生 Anthropic）/ cc_shell_nonnative_model（CC 外壳+GLM/Kimi 后端）/ codex，判定结论按此限定范围。
mutation guard（负对照）：故意造一个该被判 FLAG 的场景，证明 oracle 不是只会 PASS 的摆设。
四 artifact：真实 session 评估闭环的四类产物——capture.jsonl / pre_snapshot.json / isolation_check.md / oracle_verdict.json。
RAW_DELIVERED：regulator_runner 对自定义输出契约只送原文不校验的状态；S3 的 semantic_verdict 校验件在消费侧补上全部校验。

(b) 原始需求：Prompt 逐字原文

两条需求的逐字原文（sha256 冻结）在需求脊柱：

BT-PROD-001：adhoc_jobs/context_infra_base_tooling_buildout_20260615/requirement_records/BT-PROD-001.md（重定义确定层/语义层功能、方法论调研、测试系统优化、真实 CC session 测试强制、模型分工、solid 决策；核心句：「我很想确认之前的测试是否真的启动了 Claude Code；如果这一点没做好，会是一个很大的问题」）
BT-PROD-002：adhoc_jobs/context_infra_base_tooling_buildout_20260615/requirement_records/BT-PROD-002.md（测试=确定层×语义层始终结合、两判断轴、专门判断 Agent+判断包五项输入、判决后要有下文、测试与 production 深耦合；核心句：「我们整个测试系统也应该时刻保持语义层和确定层的互相结合状态」）

(c) 实现逻辑 + 为什么有效

整套系统是一个闭环：registry 持应然 → 探针算实然 → join 出缺口 → 缺口喂给判断 Agent 出判决 → 判决被 landing 主门消费（挡收口）+ 缺口接头入需求脊柱（生成修复任务）→ 修复后记分牌翻绿。为什么有效的理论根子是本仓已验证的开环控制结论：执行者判不出「我做够了没」，误差信号必须来自外部、机械、可操作。本轮把这个原则物化到每一层——催缺注入点名缺什么文件（T1 实证 worker 仅凭注入完成修复）、判断 Agent 非 worked 必须给可定位反例（T3 负臂实证反例直指零实现文件）、记分牌缺口行自带可执行 intake 命令（F3 实证一条命令入队）。有效性的直接证据是它今天抓到并处理了六个真问题（F1 挤占/F2 硬耦合/F3 缺口/S8 提取器/污染假阳/台账冒名），其中三个是测试系统抓自己的问题——测试系统能测出测试系统的病，是「结合状态」成立的最强信号。（T3 负臂反例点名的零实现文件=tools/skill_router_hook/route_on_prompt.py 无 test_health 引用，判决全文 runs/r001_20260704_t3_semantic_gate/neg/verdict.json。）

(d) 变更前后对比

flowchart LR
  subgraph BEFORE["改前：判完即止（Run3/Run4 收口形态）"]
    direction TB
    a1[campaign 收口时集中跑确定层证据] --> a2{{gate 判定<br/>regulator 19/20 默认 skip}}
    a2 --> a3[报告叙事 + RCL 挂账]
    a3 -.->|无下文机制| a4([缺口沉入报告<br/>Run4 CC 空白无人发现]):::dead
  end
  subgraph AFTER["改后：六段闭环（本轮建成并真实转过一圈）"]
    direction TB
    b1[(capabilities registry 应然<br/>gate_manifest.yaml)]:::added --> b3
    b2[test_health 探针 实然<br/>runs 四 artifact + 通道三字段]:::added --> b3{{join：记分牌四格着色<br/>⚠ 通道不符 / ✗ 缺失}}:::added
    b3 --> b4[判断 Agent 四值判决<br/>semantic_verdict + 判断包]:::added
    b4 --> b5{{landing 主门 C5<br/>两层齐过才 landed}}:::added
    b4 --> b6[缺口接头 todo intake<br/>预填命令入需求脊柱]:::added
    b6 --> b7[修复切片执行<br/>→ 记分牌翻绿]:::added
    b7 --> b2
  end
  BEFORE ==>|"本轮 delta：应然/实然分离 + 语义主门 + 判决后接头"| AFTER
  classDef added fill:#e8f5e9,stroke:#2e7d32,color:#1b5e20;
  classDef dead fill:#ffebee,stroke:#c62828,stroke-dasharray:4 3,color:#b71c1c;

图说：改前的回路终点是报告叙事，缺口没有机械下文（Run4 CC 空白就是这样漏掉的）；改后 join 出的缺口有两条机械出路——挡收口（landing C5，T3 负臂实证拦截）和入队修复（intake 接头，F3 实证一条命令入队），修复产物回到探针输入形成循环。delta 锚：tools/unified_gate/gate_manifest.yaml（capabilities section）、tools/test_health/scoreboard.py、tools/infra_core/semantic_verdict.py、T1/T3 臂（tests/TEST_RUNS_LEDGER.md）。

维度	改前（Run3/Run4 收口时）	改后（本轮）
分层定义	触发判据独大，功能内容散落 3 处，术语双义无人调和	rules/ 单一真源：一个分界+两位点术语+四职能+反馈契约+2×2 矩阵
「测过没」的可见性	报告叙事+专项审计才能回答（Run4 CC 空白无人发现）	记分牌 19 能力四格着色+通道谓词，Run4 模式=机器可见的 ⚠ 行
语义层验收	regulator 默认 opt-out，19/20 自动路径 skip；「好不好」无执行件	判断 Agent 构件族+四值契约校验件+landing C5 主门；landing/solid_decision forced 升档
CC 测试真实性	30 处真实但 93% 非原生后端、无通道纪律、Run4 零 CC	通道三字段全链+claim_scope 限定+required_channel 着色+T1 原生臂
gate catalog	三真源打架、6 处前缀错、8 孤儿	manifest 单真源 28 条+INDEX GENERATED 派生+一致性自检 4 断言
判决后的下文	无机制（判完即止）	缺口接头 todo intake 预填命令，F3 上有机转了一圈

Look-back 自检清单

[x] 第一段直接回答用户核心问题（三件事+CC 疑问的查证结果），不绕路。
[x] 所有关键 claim 有可定位证据锚（ledger/runs/transcript/pytest 计数皆可复核）。
[x] 测试计数、通道分布、失败率（5 跑 3 中→6/6）等数字与台账一致（IMPL_LEDGER/TEST_RUNS_LEDGER 交叉核对）。
[x] 六个真问题如实列出（含 worker 台账冒名这类不体面事实），无掩盖。
[x] claim ceiling 与证据强度一致（bounded 单 case，不冒领 production-final）；残差全部挂账。
[x] 去 AI 味自检过一遍（删模糊语、破折号句式收敛、术语该译则译该留则留）。

← 返回报告库 · production 化推进