沙箱、能力评估、回归测试与复盘

用途：逻辑设计专题。

文档索引 · 总设计 · 观测与学习 · 设计状态与边界

1. 沙箱在整体系统中的作用

沙箱让主体能够在承担现实动作之前或之后，运行一个有范围、可观察、可停止的试验。它用于观察主体在环境中的持续认知，比较活动方案、测试程序与认知组织、复查历史决策，以及探索其他做法。候选可以真实调用模型、读取许可材料和运行确定计算；发送、设备操作等则由声明过的环境响应。

沙箱提供受控试验环境，不为正式主体增加第二份现实身份，也不成为每次思考的必经流程。主体先有具体问题、待比较方案、停止条件和预算，再按需创建。仅需检查格式、计算一次数值或阅读历史记录时，现有工具与观测即可完成，不强制展开反事实分支。沙箱没有自动求真的能力，试验环境也不等于真实世界的完整模型。

沙箱沿与现实活动相同的业务契约运行，由运行机制绑定独立状态、输入、能力和预算。现有“影子验证”归入沙箱，覆盖主体运行与具体活动：上下文、记忆、讨论、能力调用、产物、时间输入、交付和学习。

能力评估与回归使用这套环境：前者描述主体在什么环境、活动、条件和成本下表现出何种能力，后者比较行为变更前后的表现。它们为设计取舍和候选采用提供证据，只能支持所覆盖用途的结论；测试通过不承诺全部未来情境都不退化。本篇确定测试体系的设计，尚未建立真实模型能力基线。

沙箱支持可管理、可运行的试验主体，使用正式认知与运行契约完成主体级测试。初始状态和环境由试验问题决定，可按需导入已有主体状态；完整状态复制不作为创建或测试的前提。试验主体不新增现实身份和责任，持续交互与学习须有明确范围、期限及预算，详见生命周期。

2. 逻辑职责与作用范围

flowchart TB
    Live["主体关注／活动／复盘／行为候选"] -->|"问题、采用用途与预算"| Plan["测试计划：套件、基线／候选、比较规则"]
    Plan -->|"按问题固定程序、初态与环境覆盖"| Manager["宿主沙箱管理"]
    Manager --> Trial
    subgraph Trial["独立试验执行域"]
        Actor["参试认知：复用正式运行契约<br/>激活指定认知与活动范围"]
        State["所需初始状态与材料<br/>独立可写状态"]
        Ports["宿主绑定的共同事件／能力入口"]
        Env["环境：文件区、模拟收件箱、替代事件源与时钟"]
        Actor <-->|"投影发现与主动读取"| State
        Actor -->|"请求；不能自选现实执行域"| Ports
        Ports <-->|"试验动作与观察"| Env
        Env -->|"按约定释放的输入"| Actor
    end
    Ports -->|"允许的真实计算；记录处理范围和费用"| Compute["模型与确定计算组件"]
    Compute -->|"结果"| Ports
    Ports <-->|"宿主绑定试验范围"| Index["外部检索提供者与试验空间／结果夹具"]
    Trial -->|"产物、轨迹、用量与终止原因"| Evaluation["确定检查／内容评阅／体验评价"]
    Ground["评价依据、后续真实结果；不交给参试心智"] --> Evaluation
    Evaluation --> Compare["逐任务及分能力比较：门槛、退化与未知"]
    Plan -->|"固定评价规则与覆盖要求"| Compare
    Compare -->|"报告投影、采用依据与限制"| Live

沙箱管理、环境、数据访问和能力接入分别负责范围绑定。试验状态与产物归本次试验所有，允许的基准材料可只读引用；局部及主体级试验都按问题选择所需状态，不将全量复制作为准备条件。导入范围、兼容条件及缺失对本次评价的影响由初态契约说明。候选不能任意访问现实状态、资料、程序或能力；共享基准也不能突破原有信息范围。具体承载另见工程参考。

测试登记、运行安排、评价和比较是评估责任下的不同环节；分别保存用例／配置身份、基线和采用记录。冻结材料与报告保留内容身份，运行产物归各自沙箱，评价答案不能进入参试者可见范围。

一个方案的基线、候选和各次独立运行使用独立可写状态与新 SandboxID，原活动和比较记录将它们关联起来。默认重置为同一已登记基准；多阶段经验试验可以显式延续本分支状态。任何延续、预热或材料共享都要进入实验配置，不能让一组自动继承另一组的答案。沙箱重置不等于重置真实用户、服务或模型提供者。

3. 三种使用方式与输入来源

可按能力混合录制响应、确定计算、真实模型和模拟环境，但配置与轨迹必须注明每条关键结果的来源。“调用过真实模型”不能把模拟用户反应升级为真实反馈；确定计算结果也仍依赖其输入和任务假设。

回归是一种比较目的，并非第四种环境或重放的同义词。协议回归可以用重放；推理、记忆和交流质量回归须让候选重新执行任务。完整轨迹不要求逐字、逐调用顺序相同，正确的替代策略也应被环境和评价规则接纳。

3.1 环境覆盖与结果来源

环境应能处理候选允许采取的不同动作。请求变化而没有匹配响应时，报告环境覆盖不足，或改用预先声明过的模拟分支；不能按第 N 次调用返回旧轨迹第 N 个响应，也不能静默转发给生产能力。覆盖不足与策略失败分别记录。若环境允许的动作集合使某种策略无法表达，比较结论只限于该集合。

环境可按场景逐步增加覆盖，无须先模拟整个世界。条件变化、授权收紧或外部提供者改变可能影响比较有效性，应在报告中说明；固定配置不承诺模型输出或现实环境完全重现。

试验环境沿共同事件协议替代真实来源与提供者：可模拟创建通知源的结果、文件变更和后台任务完成，也可重放已录制的观察。虚拟闹钟只是其中一个夹具，由环境产生创建结果及到时通知，不作为 TinyAGI 核心内置闹钟的依据。环境模拟提供者行为，模拟结果仍须声明其来源与假设。业务虚拟时间、实际墙钟耗时和模型计算耗时分别保存，冻结虚拟时钟不能免除真实计算资源预算。相同种子、时钟和输入只控制已声明因素，不保证模型、并发调度或全部 I/O 确定重现。

4. 状态、信息、能力与资源隔离

沙箱按领域所有权分别装配资料、记忆、程序、配置、模型能力及运行环境。各领域声明可见范围、只读基准、可写状态和允许操作，不依赖通用资源克隆；共享材料不复制维护权，运行使用也不授予正文回读。主体级测试按下节契约选择初态和激活工作，授权与已读内容变化沿上下文有效性处理。

认知试验与受控隔离执行分别装配：前者决定人物状态、替代能力、输入与评价，后者约束程序能接触的系统资源及实际投入。真实任务也可使用隔离执行；创建试验分支不自动满足系统隔离要求，启动独立环境也不代表初态及评价条件已准备好。工程承载见容器执行。

新建独立执行上下文只提供执行状态分离的基础；宿主还必须装配受控能力。当前默认不使用带有通用真实文件／环境／网络能力的自动装配，也不提供未知请求的生产 fallback。候选导入或补丁需要新能力时，核对是否在原试验范围内，否则该运行报告能力不足，不能自动扩权。

沙箱的正常产物写入、试验登记及真实计算计费可以落盘。这里隔离的是候选对现实业务状态和作用路径的访问，不要求宿主连“运行过一个试验”的记录也不保存。需要核对真实发送或真实设备效果时，另定义有明确对象与范围的真实验证活动，不能将沙箱中的模拟发送改成对实际联系人的暗中测试。

当前沙箱用于受控认知及经运行机制绑定的能力评估。信息范围、可写状态和真实动作必须分别约束；执行上下文的限制不能代替提供者用量及实际计算资源占用的观察。逻辑试验独立不证明资源互不干扰，也不构成隔离任意恶意程序的保证。实现边界与库证据见工程参考。

4.1 试验主体、初始状态与生命周期

试验主体在独立范围内运行正式认知程序，并复用事件处理、状态接纳、能力调用、控制和预算契约。创建时先确定问题、评价条件和停止条件，再装配程序、所需初态、输入与环境；不另写一套简化认知流程代替被测系统。试验状态关联来源身份及 SandboxID，后续写入属于本次试验，不新增现实主体或接管正式责任。页面操作见工作台。

初态与可选状态导入

评估已有个体时固定其实际程序及必要状态；重新使用初始化提示词生成的人物可用于初始化评价，不能直接冒充同一个体修改前后的对照。初态记录来源修订、导入范围及缺失，不要求所有试验使用同一种人物结构。

状态导入依赖已有的格式、归属、权限与兼容契约，不要求自动推断任意程序的全部依赖或修复未知状态。所需内容缺失或不兼容时说明对问题的影响，不能用空值补齐后判定通过；无关领域未被导入不自动使试验无效。初态裁剪及环境覆盖限制进入报告，可能影响结论的缺口须先解决或缩小结论范围。

完整状态导入是迁移检查、长期行为评价等用途的可选方式，须明确所需范围、支持的程序与状态格式以及环境条件。它不承诺复制全部现实历史、任意扩展或任意运行时刻，也不是主体级测试的前置条件。导入成功只说明相应状态可用，数据齐全不证明环境可用或评价有效；备份与试验分别验收。

激活范围与能力装配

默认只激活本次试验指定的认知与活动范围，可以直接测试没有会话或任务的 Self／Mind 持续运行。导入的人格、记忆和活动记录可提供背景，但不会自动启动全部生产任务、主动联系或学习议程。多活动竞争与持续学习可以显式加入，注明参与活动、持续范围及预算；学习强度和全部分支仍受父范围约束。

已知操作事实保留来源含义，等待中的活动由试验定义提供后续事件或能力响应，不接收原生产回调、不重新派发生产动作。模型会话、有效句柄、订阅、Secret 原值、生产授权及生产预算对象不随状态导入；试验使用独立绑定、当前授权与父预算。只读基准按修订共享，访问仍核对当前许可。

宿主按环境覆盖绑定所有作用路径；提示词、自报试验身份或独立运行实例不能代替约束。需要额外系统隔离的实现继续满足原执行要求。正式主体后来的记忆、配置和结果不自动流入，需作为明确输入或新的初态登记。

运行、探索与采用

创建后默认暂停，分别展示程序能否运行、所需初态及能力是否就绪、允许测试的范围和缺失条件。启动后可继续、暂停、结束、注入事件、重置、再分支及比较。重置先收束旧运行与回调，后续使用新的运行关联；旧结果不进入新运行，历史成本和父预算不清零。

工作台内持续交流、编辑和试演可用于探索，记录各次变更；形成正式对照时重新固定初态、候选、环境及评价条件，不能把交互中不断变化的轨迹当作固定条件结果。多阶段试验可按计划延续本分支状态，真实反馈与模拟输入分别记录。

正式采用只提交明确的配置、代码、文档或方法候选，保留来源、当前授权和评价依据。模拟经历、人物关系、外部动作、授权及预算不整体合并；目标变化时显示冲突。无论导入范围大小，试验结论均只支持其问题与覆盖范围。取舍与资料

4.2 受管理函数的测试入口

按受管理函数契约，工具可为选定且类型可适配的函数生成临时入口；用户通过参数表单直接输入，在指定沙箱中取得返回值、状态变化、能力调用及成本记录，无需先手写完整业务包装。临时入口绑定候选修订和试验域，不改变生产暴露范围，不能把生产函数可见性转化为机密或外部动作授权。

函数测试覆盖局部行为，仍可将同一函数作为完整活动的蓝图节点或能力入口评价。纯计算声明以受限能力装配约束，含模型、状态或动作的函数按原沙箱环境执行；测试输入按具体领域处理，文档、程序及机密使用各自引用。入口生成、类型检查或单函数通过不等于活动连续性、热加载或无退化已经验证。

4.3 局部程序、能力组合与主体级试验

试验范围按要回答的问题选择，与录制重放、重新评估、反事实等使用方式分别定义：

各层试验按问题选择初态及能力，不自动继承生产绑定和有效凭据。宿主可将创建、检查、执行、观察和结束试验作为能力提供；同一试验仍关联父活动与总预算。嵌套试验受范围、深度、时间及额度约束，不能创建无限分支绕过停止条件。主体级装配与操作细则见试验主体。

4.4 可执行候选的构建与试验环境

编译产物与运行时程序包使用同一试验分层；程序包连同锁定依赖、入口和运行环境固定，不能在试验或采用时悄悄拉取新依赖。包准备脚本及运行环境中的下属工作也受原范围、预算和停止约束。

候选的准备、依赖处理、构建、测试及运行都可能涉及真实计算和环境作用，应统一装配允许读取的材料、可写产物区、可用外部能力及计算资源上限。执行环境缺少所需能力时如实失败，不回落到生产环境或扩大访问。局部执行状态分离不等于对任意原生程序的完整隔离保证；技术承载与工具链依据见工程参考。

不可变程序及构建产物可在来源、修订与处理范围相同的条件下复用，试验可变状态独立；构建缓存不保存凭据、生产会话或隐藏评价答案。构建日志、测试输出和报告由对应所有者默认提供受限视图，评阅按需读取，不能把大段原始输出自动注入认知。

候选成为可用产物、接口检查通过、局部测试通过、完整任务满足用途以及实际采用分别记录。功能成绩不授予实现信任、生产机密或额外访问权；候选须满足实现准入，环境缺少所需强制限制时拒绝该运行。主体自主采用按原回归与用途门槛处理，人工管理提交不因此增加强制完整实验，也不自动登记为已通过能力评价的采用基线。运行结束仍需按所有者收束候选及其下属工作；报告不能用入口已返回冒充全部工作已结束。

5. 一次完整试验怎样运行

1. 提出问题。 例如“提醒过早是否来自忽略用户时区”，明确已有依据、比较内容、停止条件和预算；不是直接复制所有历史启动多路思考。
2. 建立基准。 固定任务与当前允许的材料版本、输入可得时点、基线／候选版本、环境覆盖与评价规则；参试材料和评价专用材料分开。
3. 装配和运行。 宿主创建独立状态与受控接口；认知正常经历发现、读取、讨论、能力调用、交付和等待，环境产生后续输入。
4. 结束和评价。 保存成功、任务失败、预算耗尽、主动停止、环境缺失或执行错误的不同原因。预算截断不算自然完成，结构通过不代表语义正确。停止新动作并收束在途工作，未回收资源明确记录。
5. 报告和采用。 产物归资料或程序职责，完整轨迹归试验职责，原活动先收到简短状态和报告投影，按需阅读；只采用带依据和适用范围的候选，或保留未定并结束。

配置至少能追溯：试验问题与父活动、输入／代码／模型版本、可见资料与选择时点、替代能力及环境规则、随机与时间条件、实际计算资源上限、指标与评价材料、逐次运行记录。这里确定语义，不提前冻结产品 API、数据库表结构或统一指标权重。

复用同一宿主协议有助于暴露活动衔接问题；评价规则由环境或评阅方持有，不能把正确摘要、未来事件、标准答案直接预填给候选。只观测到“虚拟信箱收到了消息”时，能说明环境中的发送发生，仍需核对接收者、内容、时机和当前任务目的。

6. 复盘与经验进入现实活动

历史复盘先固定决策时点：参试心智只得到当时可得且当前仍允许使用的信息，评阅方在初步判断后再读取后续实际结果。重新请求模型、检索今天的网页或使用今天的记忆都会改变条件；这类运行应明确作为重新评估，不能回称“原主体当时本来知道”。

反事实分支明确改变什么、保留什么，以及没有覆盖哪些环境变化。模拟用户愿意、不满或不回复，只代表该情境假设；即使模型模拟得很自然，也不能据此给现实用户增加欺诈标签、好恶评价或关系经历。来源同一个模型的参与者与模拟器也不自动成为独立证据。

不设沙箱状态的一键整体合并。接受一个产物或方法不等于接受所有关联判断，也不要求额外引入独立审批服务；沿当前活动权限、经验与程序采用流程处理。只有试验结果时保留证据范围，正式使用后的效果再与该候选关联，形成“假设 → 试验 → 有限采用 → 实际反馈”的学习闭环。

7. 能力评估与回归测试设计

7.1 评估对象与分层

评估对象是带明确配置的主体行为：认知程序、提示／上下文组织、模型及采样、能力适配、记忆／Reference、人格与关系起点、缓存和预算共同决定结果。换模型、修改提示、采用经验或改变检索策略都可能改变能力，不能只在修改代码时回归。

机制、主体运行、任务、扰动与迁移评价可复用沙箱；真实体验及外部效果另按实际活动收集证据，不能用沙箱权限隐式执行。机制层控制失败只说明检查器有区分能力，不算主体在完整任务上失败或进步。

7.2 按主体运行与完整活动覆盖能力

下表是测试设计矩阵，不是已完成成绩或另一份研究队列。用例须标注主要能力和交叉影响；尚无实际用例／数据的单元标为未覆盖。

意愿评价与执行能力分开计数。执行能力用明确已接纳的任务，意愿场景允许符合自主边界的多种回应，不要求个人兴趣、好恶取得客观正当性证明；另外报告所有呈现任务中的接纳、完成和退出情况，不能把拒绝的困难任务静默移出分母。强自主偏好变化不自动算退化；伪造法规理由、无说明放弃承诺、把私人体验当事实依据仍是需要评价的问题。

主体持续运行的评价范围

从必要的个体程序、经历、兴趣与环境开始，允许没有会话和已接纳任务。环境提供可响应的观察及能力结果，主体自行选择关注、行动、表达或等待；不预填必须执行的任务树。观察选择怎样随经历改变、不同心智怎样参与、异构能力怎样配合，以及中断后是否保持连续。

人的消息作为一种情境变化加入；评价是否合理处理其意义及已有承诺，不以每次抢占或必定答复为统一正确路径。单独关闭主动学习，检查普通感知、联想、日常活动与记忆是否继续，以及专门研究和程序迭代是否停止。已有任务评价仍按实际承担范围验收。

用例明确可接受行为、资源上限和观察窗口，允许主观选择与合理休息；不按消息数、思考长度或一直活跃判定自主性。持续身份是状态与行为设计目标，这些观察不构成主观意识或通用智能的证明，也不改变既有实验的条件和成绩。

7.3 用例、套件与材料生命周期

当前定义语义，不冻结产品表结构或文件扩展名。配置用内容身份和日期追溯，不引入产品发布编号。测试集按用途分别维护：开放开发集支持调试；冻结回归集保留已知任务与修复过的失败；独立保留集只用于检验未据其调参的候选。冻结不等于保密，也不等于独立。

真实失败先保留受访问限制的原始记录，再确认预期行为、最小化或脱敏材料，形成可重复用例。脱敏／合成改变了条件，报告说明与原事件的差别。争议案例先列为待裁定，不能只因基线原来这样做就认定该行为正确。主体可以提出用例和评阅规则候选，但不能同时改写自己参试任务的隐藏答案、判分器和采用门槛。

保留任务一旦被查看并用于调参就转为已知任务，后续泛化判断需新的保留材料；反复查询保留集分数也会影响独立性，查询历史须记录。测试删除或更改理由、历史成绩及失败留存，不靠删除难例提高结果。修改环境或评价器后形成新的内容身份，并重新评价基线与候选；旧分数不能直接拼接。

设计用例示例：资料修订后的交付与提醒。 这是一张待落实的用例卡，不是新增实验结果。

现有活动评价、投影与提醒和宿主组合提供局部正负控制及语义盲区依据。后续可引用这些证据设计用例，不改写其已冻结输入、脚本或成绩，也不把重新命名当作新增实验。

7.3.1 有效结果集合与事件环境

用例定义可接受结果和必要过程条件，不定义唯一正确轨迹。只有任务确实要求的读取、沟通或执行步骤才成为门槛；可交换的动作顺序、同样可行的方案和可选交流允许不同。比较同时检查已发生的中间行为，避免最终文件正确掩盖早先泄露、错发或漏履行承诺。

若初态已明确提供产物状态与引用，说明已做／未做范围或保留入口可以直接使用这些信息；不能只为增加read记录而强迫展开正文。断言正文中的具体事实仍需相应依据。报告 017 执行前半程发现退出用例的读取门槛比任务用途更严，已在该用例运行前登记适用范围审计；原分数保留，额外约束不能单独作为认知退化依据。

环境区分与动作无关的外生事件，以及依赖请求产生的结果。前者按预登记的时间／条件释放，后者按同一能力契约响应对应请求；各组共享规则和可得材料，不要求因行动不同仍收到相同结果。未来事件不得按“候选答对了”才放行，也不能把通知源创建结果当作已触发通知。有限夹具之外的请求明确返回未覆盖，不替候选选择正确下一步。

检验评价器时至少包含合理替代路径、客观过程失败和语义盲区三类。客观检查只从环境记录的读取、保存、交付及当前版本取证；模型填写引用或完成标记不是事实。产物内容、真实体验和比较有效性分别评阅；已读记录也不证明模型正确使用了证据。

按每次模型输入记录实际可见的结果，而非只查整条轨迹是否出现过read：同批动作先发起读取再猜中答案，不等于回答时已经得到该正文。环境放行未来事件的动作与取得当前操作结果须分别说明。阶段检查只约束任务明确要求的先后关系；无顺序要求的活动可交错完成。客观字段、中文解释和现实效果仍分别评价，来源标签正确不能抵消错误历史叙述，notice标签也不能掩盖通知正文中的不当承诺。

中间状态也按当时责任核对。报告 016 的评分脚本仅检查通知最终状态，接受了创建成功就提前标记 done、之后才提醒的轨迹；单独审阅将其保留为评分盲区，原分数不覆盖。报告 017 已以新内容身份加入这一已知反例并重新校准；原评分器与旧分数保留，不将新检查追写成旧能力。

报告 015实际校准了一个公开开发任务的验收器，并另行登记真实模型开发对照。其一次更正／打断环境不是任意交互环境，也不能据合成记录推断完整沙箱或隐私能力。

7.4 基线与可比条件

基线是指定用途下当前被接受的配置及其证据。没有基线时先得到能力画像和绝对要求检查，不能报告“相对未退化”。基线自身也可能不满足新用途，因此采用同时需要最低能力要求与相对比较，不能仅证明两个方案一样差。

研究可以先与明确标注的参照组比较，例如常规助手与活动工作区；参照组不自动成为已接受基线。连续采用还要保留固定参考配置及核心回归任务，在可比条件下检查累计变化，不能让每轮允许的小幅下降累积成被默认接受的长期损失。参考配置因提供者变化无法重现时，报告不可比及当前最低要求检查，不拼接不同条件的历史分数。

每组固定程序／提示、模型与采样配置、工具契约、资料内容及可见时点、主体／人格／记忆初态、环境规则、缓存条件、总预算和评价器身份；本次比较的因素显式列为变量。例如比较模型就保留不同模型身份，不能因为它是变量而漏记。双方自己发现和读取材料，不预填完美摘要或未来状态。

每个用例的基线与候选配对运行，默认重置全部可写试验状态；持续学习用例仅延续本分支。模型调用顺序交错或按预登记方式平衡，记录提供者实际身份与日期；无法固定的提供者漂移是限制，必要时重测当期基线。可确认的冷缓存与热缓存分别成组，无法控制的服务状态保留限制；准备条件和完整成本沿节约评价记录，不能用候选预热、基线冷启动得出普遍提速结论。种子用于追溯，不代表外部模型确定重现。

任务抽样范围、重复次数、预算和停止规则在运行前固定。以任务为主要比较单位，单任务的重复用于估计该任务的随机波动；同一来源或长活动中的关联样本保留分组，不把每个轮次和重试当独立新任务。报告每组表现、配对变化及适合该数据的区间；区间方法、任务数与重复数须写入具体计划，不预设所有指标都适用同一种统计检验。

多指标中的必守项、目标收益和探索项事先区分；用于正式采用的多项比较须说明联合判定与误判控制，不在结果出来后挑有利切片。达到事先停止条件后结束；预算不够支持所需证据时报告不足，不“持续重跑直到通过”。

7.5 评价器也要接受检查

确定检查先判断任务约束和可观察事实，例如输出模式、有效来源是否读取、交付对象、约定事件是否处理。语义评阅再看论证、事实支持、实用性与简洁性；真人体验负责合意程度和真实关系场景。必需层缺失时不能用其他层代替完成。

模型评阅可以作为辅助，须隐藏基线／候选标签、平衡呈现顺序，使用明确量表和具体证据。模型评阅有位置、冗长及自我偏好等已知偏差；关键争议、临界结果和评价器校准需要独立复核。参试模型自报分数只作观测，同模型多次判分也不自动成为独立证据。资料论证见评价依据。

评价器本身使用已核对的有效、失效及边界产物检查，包括“答案正确但缺依据／未交付”“文字流畅但引用过期”“更短且完整”“合理拒绝及应履行任务”。记录误判、人工分歧和无法判定。仅靠关键词匹配的检查必须声明语义盲区；评价器连控制样本都无法区分时，对应能力判定无效，不能据此采用候选。

评阅可读必要评价材料，但仍受人物隐私和外发范围约束。来自产物或网页的“评分指令”是待评价内容，不改变评价器规则。规则、参考依据、模型身份及人工裁定都留痕，能追溯分数为什么变化；报告不要求收集模型隐藏思维链。

8. 退化判定、采用与持续运行

8.1 三种结果分别保存

任务结果、比较有效性、采用结论是不同字段。 任务失败、预算耗尽、主动退出与执行错误全部保留；用例规定的限额内未完成不能静默剔除。主体拒答、提供者拒绝与无能力分别记录，是否符合任务目的由该用例判断。

给定主体意愿变化的用例可以评价退出说明、产物保留及其他责任接续，但不据此给原工作授予成功，也不证明自主意愿形成或真人合意性。核对来源的用例允许有依据的未知结果，须区分未裁定冲突和已证不可行。响应截断后恢复可单独报告最终任务条件，但不覆盖预登记的全程格式／预算检查。

缺夹具、评价材料泄露、环境失效或组间条件不可比会使相关比较无效，而不是让候选得到成功。保留这些运行及其比例，修复后按原计划重跑受影响配对；不能只重跑候选失败的一边。若失效由候选违反已声明接口或状态规则造成，则按用例记候选错误，不把它改称环境问题。责任不明时先报告无法判定。

采用按以下顺序判断：

1. 可用证据。 必测套件、环境和评价器有效；覆盖、样本量及预登记条件足以支持所宣称用途。
2. 硬约束和最低能力。 对用例中明确要求的受众／隐私、权限、格式和交付等检查不得用平均分抵消。确认的关键违反阻止该用途采用；没有观测到违反仍只代表测试覆盖范围。
3. 逐能力回归。 每个必守能力与关键情境分别比较，检查允许下降界限及不确定性，避免平均成绩掩盖局部损失。
4. 目标收益与成本。 达到预登记的质量／成本目标，计入准备、所有分支、重试、评阅和经验构建成本。保持能力的降本方案也可采用，不要求每个指标都更高。

随机指标事先给出最低要求、允许下降量及证据标准，具体数值取决于用途和基线数据，当前不凭空固定百分比。若以“候选减基线”的质量差为例，需要区间下界不低于事先允许的负向界限；仅有均值更高、检验未显著或一次通过不足以判定无退化。成本指标按相反方向检查。样本或量表不支持可信区间时保留描述结果并标为证据不足，不能强套公式补成通过。

以上结论按用途形成，不能由“有几个任务通过”直接推断整套能力通过。只在某独立用途达到条件时，采用范围必须能实际限制到该用途；不能事后删除失败任务、缩小统计分母来改称成功。基线指向只在明确接受新配置后调整，并保留旧基线及差异；当前坏结果不能自动覆盖成新的正常标准。已知基线缺陷另记改进要求。

8.2 测试触发、预算与报告

不在每条消息前自动运行全套测试，也不靠无限周期自测证明可靠。每次评估有任务数、调用／费用／时间上限和停止条件，完整采用评估可高于快速检查预算；同宿主计算资源争用和评价开销单独计入。运行终止保留未完成项，不把它们默认填为通过。

报告首页给出用途、基线／候选身份、覆盖与未测项、比较是否有效、各能力结果和采用结论；详细附件按任务列出变化、硬约束违反、失败原因、成本与时延分布、重复波动、评阅依据及原始轨迹引用。允许为阅读提供摘要，不用一个总分替代这些信息。

原活动收到短结论与报告投影，按需读失败任务或详细统计；原文、评价专用材料和敏感内容遵守原范围。真实使用后的反馈可推翻先前采用判断，触发停止扩大使用或撤回候选；代码或配置撤回不删除已发生的现实行为。

8.3 主动学习与学习策略的评估

学习策略沿既有局部程序、能力组合和主体级试验范围试验。比较时固定起点、可得资料、工具、模型、学习预算与用途条件；计入选题、练习生成、读取、构建、所有分支、评阅和后续运行成本。具体课程与自我迭代算法保持实验性，不能仅凭单次分数或读取量宣称形成持续学习能力。

学习者可生成开发练习；独立保留任务的答案和评价控制仍由评估职责管理。同源自评或更换评分模型不自动构成独立依据，练习材料泄入保留评价时标记比较受影响。候选可提出新的评价方法，但不能修改自己正在接受的评价条件和结果；评价方法另作独立候选检查。

研究档案可以保留尚未达到正式采用条件的有用方法或中间成果，采用仍沿原门槛；保存研究价值不代表生产通过。候选数、保存范围和常驻资源均受限，不因保留档案创建永久运行试验主体。学习策略修订、自主采用与用户人工提交分别按原职责处理，关闭学习不撤回已经采用且仍有效的知识和能力。

后续若用户明确要求验证，覆盖这些控制场景：零强度时无自发选题／试验／自动采用；关闭后排队及在途工作收束且迟到结果不自启；正常认知、自主日常活动、经历积累及用户明确学习任务仍可执行；调低强度和跨周期不重置活动预算；试验主体及子任务不能改写来源或提高强度；重新启用核对现状；候选不能篡改评价。这是设计验收场景，当前没有执行测试或实验。

强度语义唯一见运行契约，策略见主体学习，资料见学习依据。

8.4 提示词初始化与个体迁移的检查

初始化评价共同运行契约，不要求不同模型输出相同设定、源码结构或答案。候选应能编译并装配必要入口，按契约访问状态、处理事件、停止执行、限制额度及使用资源／机密；初始设定与真实经历分别标明。编译成功、基础可运行和长期人格质量分别报告，不以单一标准人物作为唯一有效结果。

已有 Self 迁移时固定原程序、配置、必要状态和目标契约，核对受影响功能、资料范围、在途结果及原任务；允许无需改码或采用不同实现。行为变化超出必要兼容范围时按原能力与回归规则处理，不能借更新跳过人格／隐私及其他能力的影响评价。开发用例与独立保留任务仍分开，差异说明和模型自报成功不能代替检查结果。

未来明确要求验证时覆盖：不同模型的最小初始化；失败／断续后保留原身份；缺少模型时维护可用；弃用期旧入口真实可用；已满足项不重复修改；跨多次修订与必要项未完成；启动失败后的原主体修复；学习关闭时获准维护可执行但不扩展自发学习；候选失败不覆盖有效程序；数据不兼容不显示为新人物。当前仅定义检查与验收场景，未运行生成、编译或模型实验。

选择理由及资料见工程映射和库事实，初始化及迁移正文见运行契约。

8.5 预制能力与个体使用的评价

预制库评价其声明契约、真实作用与兼容性；个体评价按实际依赖、任务和行为进行，不以是否采用某个便利函数判定优劣。候选可使用预制函数、自己的包装或替代实现，共同遵守状态、授权、预算及投影约束。不同模型的生成结构和工具组合允许不同。

未来验证覆盖：引导阶段发现并调用预制工具；个体不能覆盖权威定义但能维护独立包装；获准的写入或外部操作按原执行域生效；沙箱中相同库绑定受控状态及能力；不使用可选函数仍能满足契约；新增能力不自动改写认知；已依赖实现更新的兼容和退化检查；缺失依赖明确报告；文档／诊断与实际源码修订一致。共享不可变库定义时，实例状态、凭据绑定和业务状态和材料仍按执行域隔开。

预制函数提供的诊断和一般测试辅助不替代独立保留任务或当前采用门槛。以上为检查设计，未执行模型、编译、工具或沙箱实验；来源及接入见工程参考。

8.6 核心／任务解耦与外部控制的评价

评价关注完整可响应和责任闭环：长任务 A 阻塞于受控提供者时，输入 B 可被接纳并获得认知处理；A 超时、取消或独立任务实例故障后，核心仍可处理 C；结果始终归原任务。机制控制可在模型不可用时执行，完整自然语言答复另标推理条件，不以“已收到输入”冒充已完成认知回应。

未来明确要求验证时可先使用真实 mini-go 与确定性受控提供者覆盖上述主流程，无需用真实模型证明取消和入口行为。库用例阅读、原报告 014 的顺序接续与未来完整场景分别标注；尚无这些完整场景的停止延迟或响应性测量。来源见库事实及工程映射。

8.7 跨契约的一致性检查规格

以下将已定规则映射为未来可检查的场景，用于解释设计含义；不是已执行测试、正式成绩或自动待办。主体级场景按试验契约说明初态、激活工作、环境覆盖及结论范围。

这些规则的采用理由、替代项与设计范围见一致性决策，不新增底层故障证明要求。

8.8 可选隔离执行的评价规格

以下规格用于核对隔离能力与既有主体、领域对象及控制契约的衔接，不是已执行测试或新增实验任务。具体运行时的适用条件由工程资料说明，无法据此认定本项目的隔离效果或性能已测。

资料、实际环境检查、隔离测试和认知质量评价分别记录。执行环境可用不证明所需初态、能力覆盖或评价条件已满足，主体级试验沿自身契约验收。

8.9 机密使用与防止错误外发的评价规格

本节是机密契约的设计规格，没有新增实验结果。评价同时检查合法使用是否可完成、非预期外发是否受到限制，不以禁止全部原值使用代替防泄漏。测试优先使用专用凭据，真实机密按实际组件与用途配置。

评价区分宿主可观察的交付、实际业务结果及接收方自报使用。指定组件获得明文后，后续用途需要其真实实现及运行环境落实；上述规格不宣称完整观察任意外部使用。存储加密与错误外发分别评价，不能用密文落盘证明 API 请求没有泄漏。

8.10 检索提供者与组合策略的评价规格

检索提供者按相同领域契约进入试验，可替换为固定结果夹具或获准的真实服务。记忆查询、资料取证、程序定位及能力发现分别评价，不同实现同级比较；接口支持、检索质量与最终任务效果分别记录。以下为评价设计，不代表已运行提供者对照。

对照记录提供者配置、实际接口版本、材料准备状态、可确认覆盖、用途策略和评价器身份。准备成本与重复查询成本分别呈现，未知费用和无法固定的服务条件保留；能力限制是适用边界，不用夹具模拟结果填充真实成绩。具体门槛沿用途基线确定，不设置统一赢家或要求每次任务比较所有提供者。

检索策略候选沿现有采用机制进入明确范围，来源数据和独立保留任务不随候选修改。公共职责见运行契约，配置及操作见工作台。

8.11 计算节约与性能保持的评价规格

评价在同一用途和覆盖范围内比较质量、完整响应时间、控制响应、实际费用及占用。主体没有用户任务时的正常感知、关注、经历和自主活动仍属于被测行为，不能靠关闭这些行为取得低成本。以下是采用规格，不代表已有完整节约基线或正在运行新的实验。

基准条件记录初始缓存和运行准备、材料覆盖、共享服务负载以及可控制因素。外部服务无法清除或禁止缓存时如实标记，不把“本次试验首次请求”写成已确认冷缓存；候选预热、基线冷启动不能支持普遍提速结论。必要准备、保留和失效成本计入完整周期，并与稳定重复使用结果分开展示。

正式采用同时满足已声明的质量、行为及响应要求，再比较净费用和占用收益；不按命中率、少调用次数或少生成内容独立判优。模型随机输出按原基线方法比较，不能要求缓存开启前后逐字相同，也不能用同一旧答案替代重复采样。观测不足保持未知，不报告保证无退化或通用节省比例。

机制见输入与结果复用、执行与结算，事实与来源见工程参考。

9. 选择、替代项与一手依据

上述取舍由既有职责和源码／资料支持，具体效果仍受试验条件限制。宿主组合实验提供有限的装配证据，未进行沙箱认知效果或逃逸对照。

执行库的提交、工作区文件身份及未测边界集中保留于工程参考；以下资料用于论证逻辑职责。

按问题装配主体级试验的依据

下列资料支持区分任务评价、状态保存和历史重放；按问题选择初态、限制激活工作及可选完整状态导入是本项目的设计判断，尚无维护成本或可靠性改善的对照成绩。

能力评价的依据

以下资料支持方法选择；套件分工、门槛顺序与本项目采用条件是工程设计，并非已经验证有效的产品机制。

10. 验收场景与适用边界

宿主组合实验覆盖简单活动的分域状态、模拟交付和虚拟时间输入；报告 015／016补充受限环境中的真实模型轨迹；完整沙箱、并行、攻击和广泛效果仍未测。下表定义沙箱应支持的验收场景，属于设计规格，不是已执行记录。

机械隔离检查和认知效果分别报告；配置违规的运行保留轨迹，但不作为有效公平样本。初始状态、能力装配、环境覆盖、评阅采用与迁移分别归入 评价、记忆、能力和学习。执行不可信原生候选必须满足已定义的环境准入与实现信任约束；本设计规定拒绝不满足约束的执行路径，不据此声称任何具体隔离实现已经验证。

建立实际基线时，先按用途固定指标及评价规则，校准评价器能拒绝已知错误、接受合理替代答案，再通过独立预试估计波动；在查看候选正式成绩前确定重复规模、容忍界限及采用条件。提前结束责任、无依据补写时间及预算截断属于既有回归候选，详见报告 015–017。尚未建立正式能力基线，不给未测候选授予性能或无退化证明。