@furongjun1999/dsh-memory 0.4.11 → 0.5.1

package/docs/eval//344/270/215/345/217/257/351/235/240/346/200/247/350/220/275/345/234/260_P0_v1.0.md

@@ -0,0 +1,185 @@
+# 不可靠性落地 P0 报告 v1.0
+
+> 批次 53 · 理论作为工程规范首轮 P0 修复四项落地
+> 理论判据：`docs/theory/不可靠定理与失效优先框架_v0.3.md` + `docs/不可靠性理论_v0.1.md`
+> 验收真源：`test/chaos_injection/registry.py`（注入套件登记）
+> 报告性质：第二节四项「落点/前后对比/语义变化声明/验证」材料由编排会话给定的各修复员会话实跑记录转录；报告员会话对关键引证做了机械抽查（见 2.5），并**本会话实跑**了注入套件终验与 python 全量套件（见第三、四节）。
+
+---
+
+## 一、总览（四项目标与结论）
+
+| # | 目标 | 理论挂点 | 落地面 | 结论 |
+|---|------|---------|--------|------|
+| 1 | 启动对账 reconcile v0——索引/派生态 vs 盘面真源的全量 diff 对账，补两段式写对账（twophase，只清「有意图无结果」账）之外的对账面 | v0.3 **T9 自稳定定理** | `md_cg/reconcile.py`（新增）+ `md_cg/mcp_server.py` 启动序列 + `md_cg/mdcg.py` 前置修复 | ✅ 落地（33 断言新守卫全绿；真 server 实弹收敛成立） |
+| 2 | FI-R03 伪造 result.json `ok=true` 被采信 → **P11 结果完整性锚**落地 | v0.1 P11 完整性锚 / T4 静默改写 | `hive/src/hmac.rs`（新增）+ `hive/src/keyres.rs`（新增）+ scheduler/job/exec 提交面锚判据 | ✅ 落地（**gap→pass**，登记批次 53 修复） |
+| 3 | R05/R06 WAL 验签 **seq 连续性判据** | P0-2（覆盖遗漏型） | `swarm/rust_swarm.py` `verify_wal_signatures` | ✅ 落地（**FI-R05/R06 gap→pass**） |
+| 4 | **幂等键标准化 v0**——hive 提交面 spec canonical json sha256 幂等键 | v0.3 T7 / P0-2 | `hive/src/json.rs` canonical + `hive/src/main.rs` cmd_submit 去重 | ✅ 落地（同 spec 重提返回既有 job_id + `deduplicated=true`） |
+
+**总结论**：四项全部落地且各有验证。注入套件终验 **18/18 与登记一致（EXIT=0，pass 11 / gap 7）**，其中 **FI-R03 / FI-R05 / FI-R06 三格 gap→pass**；python 全量套件 **207/207 通过（退出码 0，5 跳过为依赖缺失/平台不符）**；7 格登记 gap（R08/M01–M04/M07）其缺陷真实在案且不属本批修复面，**如实维持 gap 未动**——把任一登记改 pass 即伪造修复，按「禁止伪造」纪律不改登记。
+
+---
+
+## 二、逐项修复
+
+### 2.1 启动对账 reconcile v0（v0.3 T9 自稳定定理落地，落地清单 P0-3）
+
+**目标**：索引/派生态 vs 盘面真源的全量 diff 对账，补两段式写对账（twophase，只清「有意图无结果」账）之外的对账面。
+
+**落点**：
+
+1. `md_cg/reconcile.py:1-228`（新增模块）：`ENV_SWITCH`=:45（`MDCG_RECONCILE`，仅 `"0"` 关闭缺省开）、`TRACE_FILE`=:49（`_reconcile.jsonl` 留痕，仅 diff 非空才写）、`enabled()`=:56、`_disk_hashes()`=:72（content_hash 双形态接受集——add 写路径无尾换行形 / rebuild 路径带尾换形，两 producers 各自稳定，见 mdcg.py:1588 vs mdcg.py:1154 实测分歧）、`_scan_disk()`=:78（os.walk LAYERS 与 `_scan_nodes` 同序，读失败/非 UTF-8 字节/frontmatter 无闭合三类真源损坏只登记不猜测）、`reconcile_state()`=:141（三类 diff：多索引条目→`_unstage` 摘除；缺索引条目→`_node_entry` 重建 `_stage` 补入；哈希/路径漂移→以盘面为真源重建；真源损坏与其条目一律不动，只 stderr 告警+留痕——T9 边界）。
+2. `md_cg/mdcg.py:1688-1700`（`MdCG.reconcile_state` 委托，twophase 同款延迟导入模式）。
+3. `md_cg/mdcg.py:1200-1213`（`_scan_nodes` 补捕 `UnicodeDecodeError`——前置修复：非 UTF-8 坏文件此前会炸穿整库装载/重建，init 先于对账执行，不补则损坏库永远跑不到对账）。
+4. `md_cg/mcp_server.py:3726-3738`（main 启动序列两段式对账块之后接 `cg.reconcile_state()`，try/except 不阻塞启动）。
+5. `md_cg/test_reconcile_v0.py:1-294`（新守卫 33 断言）。
+
+**前后对比**：修复前（按 twophase.py:2-9 与 mdcg.py:17 取证）：索引与盘面三类背离全部静默——外部删文件→幽灵条目永久占检索面；非合作写者直写→节点在盘不可见；直改正文→检索/指纹陈旧；均零告警零修复，且一个非 UTF-8 坏文件即炸穿整库装载（smoke 实测 `_load_index`→`_scan_nodes` UnicodeDecodeError 崩溃）。修复后：三类 diff 启动即检出并增量收敛+stderr 告警+`_reconcile.jsonl` 留痕（幂等，二扫全零零输出）；真源损坏只告警不改写（损坏文件不建条目、读不出的既有条目不摘除——瞬态读失败不放大成永久损伤，N134 同型教训）；损坏在场重开库不再炸。真 server 实弹（tempfile 哑令牌环境）：植入 e1 正文篡改后 spawn `python -m md_cg.mcp_server`，stderr 打出「[mdcg-reconcile] 启动对账 v0: …哈希漂移=1（已按盘面增量修复索引面）」，重开索引读到 TAMPERED 新正文=收敛成立。注入套件格状态：a) `run_all.py` 修后全量 18/18 与登记一致、EXIT=0（pass 11 / gap 7）；b) 判据 b 不适用（见语义变化声明⑥）；c) 既有 pass 用例零回归（R01/R02/R04/R05/R06/R07/R09/M05/M06/M08/M09 全绿——其中正常写入/正常产物/正常验签语义未动）；d) `scripts/run_tests.py --jobs 4` 全量 207/207 通过（5 跳过；基线 206+本批新守卫 1 件）。
+
+**语义变化声明**：
+
+1. 启动序列新增一次 O(n) 盘读（每节点恰一次顺序读+nodefile.loads 纯字符串切分，无 YAML/检索打分/嵌入，非 rebuild 式全量重扫；修复只对漂移条目定向 upsert，对照 rebuild_index 既有能力控制在增量）；干净库零输出零写盘；`MDCG_RECONCILE=0` 一键关闭，缺省开。
+2. content_hash diff 采用双形态接受集：仓内存 add 路径（mdcg.py:1588，封存原文）与 rebuild 路径（mdcg.py:1154，loads 读回含尾换行）两 producers 指纹形态本就并存（临时库实测 n1 无尾换行两形态不等），diff 两侧都认——否则无尾换行节点每次启动误报漂移；不改变任一 producer 的既有写入语义。
+3. 启动期修复经 `_unstage`/`_stage` 既有原语落 `_index_log`（tombstone/upsert），与既有写路径同一加锁/落账纪律，未新增写面。
+4. `_scan_nodes` 补 UnicodeDecodeError 是行为修复：损坏真源从「炸穿整库」变「跳过该文件」（与 reconcile 告警同口径）；单节点 get/_read 对损坏文件抛 UnicodeDecodeError 的既有契约未动（请求级，超出本批最小面）。
+5. 诚实边界：frontmatter 字段值漂移（直改 importance 等）不在 v0 判据面（索引无 fm 指纹，content_hash 刻意不含 frontmatter），该面仍由 rebuild_index 兜底；对账为增益非服务前提，任何异常不阻塞启动。
+6. 判据 b 如实声明不适用：登记表 9 格 gap 均非「索引 vs 盘面启动对账」型（R03=P11、R05/R06=P0-2、R08=N143、M01=A2 单调锚、M02=N134、M03=N133、M04=N138、M07=N91 同型），且 18 用例无一经过 mcp_server main 启动序列（grep test/chaos_injection 无 mcp_server 引用）——修后复跑 7 格 gap 仍如实观测 gap（其缺陷真实在案且不属本批修复面：读缓存负结果/reinforce 漏标脏/线程锁/TTL 单调锚/stderr 裸写/hive-swarm 面），把任一登记改 pass 即伪造修复，按「禁止伪造」纪律不改登记。R05/R06 的 gap→pass（备注批次 53 修复）由并行 P0-2 修复员已在共享工作树完成，其登记转换与本批机制自洽。
+7. docs/theory v0.3 矩阵 T9 行「🟡部分（全量对账待建）」的文档结案属文档会话面，本批未动 docs。
+8. 本批零 Rust 改动，cargo test 不适用（共享树中 hive/swarm Rust 改动属并行修复员，其判据 d 由其自负）。
+
+**验证**（修复员会话实跑记录）：① `python -X utf8 -m md_cg.test_reconcile_v0` → 33 passed / 0 failed（三类 diff 收敛+损坏只告警+开关+dry-run+损坏在场重开不炸+承接面源断言）；② `python -X utf8 test/chaos_injection/run_all.py` → 汇总 18/18「一致」、ALL CONSISTENT、EXIT=0；③ `python -X utf8 scripts/run_tests.py --jobs 4` → SUMMARY 207/207 通过（5 跳过）；④ `python -X utf8 -m md_cg.test_twophase`（35/0）+ `-m md_cg.test_verify_dirty_reconcile`（18 PASS）+ `-m md_cg.test_protocol`（41/0）定向回归；⑤ 真 server E2E：tempfile 哑令牌环境 spawn `python -m md_cg.mcp_server`（MDCG_ROOT/TOKEN_FILE 全钉临时目录），植入 e1 篡改后 stderr 实测「[mdcg-reconcile] 启动对账 v0: 幽灵条目=0 缺失条目=0 哈希漂移=1 真源损坏/不可读=0（已按盘面增量修复索引面）」且重开 get(e1)=TAMPERED body，测毕 rmtree；⑥ `python scripts/workspace_index.py --check` → 一致（20 顶层目录）；⑦ 临时库双形态指纹 probe：add 无尾换行节点 → add 形 hash≠rebuild 形 hash 实证，diff 双形态接受零误报。全部临时目录/哑令牌，零触真实令牌库/serve/数据目录；未 git commit（编排会话负责）。
+
+### 2.2 FI-R03 伪造 result.json `ok=true` 被采信 → P11 结果完整性锚落地（gap→pass，批次 53）
+
+**落点**：
+
+- 新增 `hive/src/hmac.rs`（纯 std SHA-256+HMAC，移植自 swarm/rust_runtime/src/hmac.rs 同源；:32 `ANCHOR_DOMAIN`、:142 `result_anchor_hex` 唯一公式实现、:149 `ct_eq` 恒时比较、:172-201 FIPS/RFC 向量+Python 同公式交叉核对断言）。
+- 新增 `hive/src/keyres.rs`（:17 `resolve_key_from_env`：`HIVE_ORCH_TOKEN`→`HIVE_ORCH_TOKEN_FILE`→`HIVE_API_KEY` 既有配置/令牌面链，无公开缺省常量）。
+- `hive/src/lib.rs:20-27` 挂载两模块；`hive/src/job.rs:104` `new_result_nonce`、:136 `init_job_with_anchor`（nonce=Some 时 status 落 result_nonce，其余字段与写序与旧格式逐字段一致）、:3-20 模块头文件协议文档。
+- `hive/src/scheduler.rs:59/101/109` `ServeCfg.result_key`+`with_result_key`（new 恒 None，测试密闭）、:511 `classify_result` 锚门（无 error 先过 verify_result_anchor：Pass→done / MissingAnchor·Unverifiable→needs_review / Mismatch→error）、:564-579 AnchorVerdict+verify_result_anchor 唯一校验实现、:447/:279/:317 classify_exit 与 recover_orphans 透传密钥、:689 deps_gate 把 needs_review 列入失败传播、:11-25 模块头文档。
+- `hive/src/exec.rs:91` spawn_executor 增 anchor 参（env `HIVE_RESULT_ANCHOR` 注入执行器）；`hive/src/main.rs:193` cmd_serve 密钥解析+stderr 显式声明（on/off 不静默）、:321-323 cmd_submit nonce+响应 result_anchor=on/off；`hive/src/spec.rs:21/:48` 失败传播文档补 needs_review。
+- `hive/exec.py:136` 与 `hive/exec_cmd.py:45` write_result 回写 env `HIVE_RESULT_ANCHOR`→`result.result_anchor`（env 缺省不写字段）；`hive/hive_mcp/mcp_server.py:243-281` `_RESULT_KEY_KEYS`+`_result_anchor_key`（与 keyres.rs 同链，config.local 解析值按 serve_start 合并语义胜出 env）、:301 `_submit` 解析到密钥时 status 追加 result_nonce（orch.py 复用同一 `_submit`）；`hive/hive_mcp/smoke_test.py` 假执行器补回写锚（契约同 exec.py）。
+- `hive/tests/judgment_surface.rs:281/:399/:457` 新增三承重锚测试（result_anchor_gate 五分支含反向对照、anchor_needs_review_rerun_escape_hatch 与 M1 逃生门组合、anchor_e2e_done_with_echo_executor 端到端）。
+- `test/chaos_injection/harness.py` hive_submit/hive_spawn_serve 增 env_extra（None=移除键）；`test/chaos_injection/test_fi_r03_fake_result_ok.py` 改写为锚拦截 pass 场景（A 无锚伪造→needs_review / B 攻击者错钥重实现公式→error / C 逃生门留痕重投→诚实重跑 done / D 诚实链路零回归对照 / E 无密钥旧格式向后兼容对照+读码断言）；`test/chaos_injection/registry.py:22-27` FI-R03 登记 gap→pass（备注批次 53 修复）。
+- 注：工作树中 hive/src/json.rs、main.rs 的 P0-2 幂等键与 md_cg/swarm/R05-R06 用例改动为同批并行修复员落点，与本案在 cmd_submit 处共存（幂等去重先于 nonce 生成，互不干扰），全部验证均在合并树上实跑。
+
+**前后对比**：修复前（v1.0 注入实测，EXPECTED_GAP 基线）：classify_result 只读盘面 result.json 的 error 字段，无 error 即 done——能写盘面的组件伪造 `{ok:true,content:...}` 产物 0.4s 内被采信 state=done，poll 面展示伪造内容，全程零 error 标注（T4 静默改写成立）；verify_runner.py:161-166 passed>0 门只约束验证器自身；rerun_on_recover 逃生门在位但缺省 false。修复后（本批次实测）：锚预期任务（status 带 result_nonce）的产物须携带与 `HMAC-SHA256(密钥, "hive-result-anchor-v1|" + sha256hex(spec.json 字节) + "|" + nonce)` 一致的 result_anchor 才采信 done——FI-R03 实测逐格：**A** 伪造 ok=true 无锚→state=needs_review（0.2s 内判定，error 文本「产物完整性锚缺失」，伪造产物留盘可追溯，poll 面如实展示 needs_review+error 零静默）；**B** 攻击者以 Python 独立重实现公式但持错钥伪造锚→state=error「完整性锚校验失败：拒绝采信」；**C** rerun_on_recover 逃生门→伪造产物更名 result.json.recovered-* 留痕强制重投，重跑的诚实执行器带锚落地 done；**D** 诚实对照（真实 hive.exe submit 锚预期+exec_cmd.py 回写锚）→done 正常链路零回归；**E** 无密钥提交（显式移除三键）→响应 result_anchor=off、status 无 nonce→同一锚判据 serve 上照常 done（向后兼容）。
+
+**语义变化声明**：
+
+1. 状态机新增终态值 **needs_review**——锚缺失或锚不可校验产物的可疑处置态（不自动采信、不销毁证据）；deps_gate（scheduler.rs:689）将其与 error/timeout/killed 同列失败传播，下游任务直接 error 不执行（不悬置等待）；poll/doctor 按普通状态串透出。
+2. 仅当 status.json 带 result_nonce（=提交面解析到锚密钥，任务显式声明锚预期）才启用新判据：无 result_anchor→needs_review，锚不匹配（伪锚/挪锚/提交后 spec 被改）→error 终态，通过→done。
+3. 向后兼容：无 result_nonce 的任务（存量任务池、无密钥提交面、任意宿主手搭现场）维持旧「产物说了算」判据 done/error，逐字段零变更（judgment_surface 既有 recover_by_artifact/rerun_on_recover_escape_hatch 未改动且全绿即证）；执行器在 env HIVE_RESULT_ANCHOR 缺省时不写 result_anchor 字段，产物格式向后兼容。
+4. 密钥只取 hive 既有配置/令牌面 env 链 `HIVE_ORCH_TOKEN`→`HIVE_ORCH_TOKEN_FILE`→`HIVE_API_KEY`（对照 config.local 既有键，serve 经 serve_start.py 注入即生效；Python 提交面另读 config.local.json 且 config 值胜出 env=serve_start 合并语义；Rust CLI 面只读进程 env）；不设公开缺省常量密钥（N143 教训：公开缺省=可自签=锚判据失效），无密钥部署锚判据整体不启用、行为与旧版一致，提交响应以 result_anchor=on/off 显式透出降级不静默。
+5. 锚预期任务落在无密钥 serve 上→needs_review（Unverifiable，fail-closed 不静默放行，error 文本指引以 serve_start.py 重启）。
+6. 诚实残余面：持钥组件仍可伪造合法锚（密钥保密性是判据边界，与 swarm WAL 同界）；同任务旧诚实产物重放不可检（与 rerun_on_recover 组合缓解）；verify_runner passed>0 门未动（按 ask 仅为背景，读码断言在 FI-R03 内留档）。
+
+**验证**（修复员会话实跑记录）：① `cargo test`（cwd=hive/，终树实跑）：29+7+6=42 passed / 0 failed——含新增 hmac 向量与 Python 同公式交叉核对、keyres env 链、job::init_job_with_anchor_metadata，及 judgment_surface 新增三测试与既有 recover_by_artifact / rerun_on_recover_escape_hatch 全绿（向后兼容零回归）；② `cargo build --release`（供注入套件真实 hive.exe，0 error）；③ `python -X utf8 test/chaos_injection/test_fi_r03_fake_result_ok.py` → 15 检查全 OK，CASE_RESULT {verdict:pass, expected:pass, consistent:true}，EXIT=0；④ `python -X utf8 test/chaos_injection/run_all.py` → 18/18 全部「一致」ALL CONSISTENT EXIT=0（FI-R03 观测=pass 登记=pass；既有 pass 格零回归；EXPECTED_GAP 格 R08(N143)/M01-M04/M07 基线维持）；⑤ `python -X utf8 scripts/run_tests.py --jobs 4` → SUMMARY 207/207 通过，5 跳过 EXIT=0；⑥ `python -X utf8 hive/hive_mcp/smoke_test.py` → 21 pass/0 fail EXIT=0（MCP 提交面 nonce→serve 锚判据→假执行器回写锚端到端）。测毕无 hive.exe 残留进程。
+
+### 2.3 R05/R06 WAL 验签 seq 连续性判据（P0-2 落地，批次 53）
+
+**目标**：`swarm/rust_swarm.py` `verify_wal_signatures` 增 seq 连续性判定——以首行 seq 为基准步进，缺失（跳号）/重复/乱序且验签有效的行判 bad 并报 `continuity_breaks` 明细 `{line,expected,actual,kind,row_type}`；快照行与事件行同链（Rust 侧同一 event_seq 计数器，swarm.rs 五处写行全部 event_seq+=1）；验签无效的可解析行按占位+1 推进期望位、不以其（可伪造的）seq 重定链位；新增 `skip_continuity=False` 参数缺省严格、可显式放宽。
+
+**落点**：`swarm/rust_swarm.py:8-12`（模块头职责注记）· `swarm/rust_swarm.py:102-201`（verify_wal_signatures：:104-105 skip_continuity 参数、:157-192 连续性判定块、:200 continuity_breaks 返回键）· `test/chaos_injection/test_fi_r05_wal_drop_line.py`（全文重写为 pass 判据：删除行→break 明细/正常零误伤/空单行兼容/放宽逃生门/读码判据在位）· `test/chaos_injection/test_fi_r06_wal_reorder_dep.py`（swarm 半边重写为乱序可检判据，hive 半边 fail-fast 4 断言保持）· `test/chaos_injection/registry.py:30-39`（FI-R05/FI-R06 gap→pass，备注批次 53 修复落地）· `test/chaos_injection/test_fi_m05_twophase_kill_between.py:57-60`（企划外一行机械修复，见语义变化声明第 5 条）。
+
+**前后对比**（对照实验，系统临时目录+哑密钥，测毕清理）：【修复前】删除中间行(seq=2)→`{total:2, verified:2, bad:0, all_valid:True}`、行序交换(3,1,2)→同样全绿零信号（批次 52 实测基线）。【修复后实测】删除中间行→bad=1, all_valid=False, breaks=`[{line:2, expected:2, actual:3, kind:跳号缺失, row_type:任务}]`；交换两行→bad=1, all_valid=False, breaks=`[{line:2, expected:4, actual:1, kind:重复或乱序}]`；重复行(1,2,2,3)→bad=1, breaks=`[{line:3, expected:3, actual:2}]`；正常 WAL→`{total:3, verified:3, bad:0, all_valid:True, breaks:[]}` 零误伤；空 WAL/单行 WAL→语义不变；快照行同链连续(1,2,snap3,4)→全绿；快照行后跳号→snap_bad+bad 双 break 精确定位；skip_continuity=True→回旧语义（删行不可检）；CLI swarm_cli verify：正常 rc=0/ok=true，删行 rc=1/ok=false 且 stdout 恒单行 JSON 透传 continuity_breaks。【套件格】FI-R05/FI-R06：gap→pass（转绿），FI-R04 及全部既有 pass 格零回归，gap 格（R03 已随锚面转 pass；R08/M01-M04/M07）基线维持。
+
+**语义变化声明**：
+
+1. 返回 dict 新增恒在键 `continuity_breaks`——对键集合全等比较的消费者会破；仓内核查无此类消费者（grep 在案），FI-R04/R05 原精确字典比较分支均有 or 回退、实测全过。
+2. 验签缺省语义收紧：非连续 seq 的验签有效行现判 bad、all_valid=False，CLI verify 对此类 WAL 从 exit 0 转 exit 1（实测在案）——存量合法但非连续历史（手动裁剪等）须调用方显式 `skip_continuity=True` 放宽，缺省严格。
+3. 空 WAL/单行 WAL/连续 WAL（含快照行交错，因 Rust 快照行与事件行共用 event_seq）语义不变；全部 swarm 常规测试（真实 Rust 产物 WAL 验签：protocol/gossip/health/fault/watermark/inbox/kill/resume）零回归实测。
+4. 链安全规则：验签无效行的 seq 不可信、不得重定链位（按占位+1），伪造 seq 无法借链洗白。
+5. 企划外修复声明：test_fi_m05:57 的 `text="utf-8"`→`encoding="utf-8", errors="replace"` 为 md_cg.test_subproc_encoding 检查器明示修法——该格在纯净 HEAD worktree 同样红（批次 52 遗留存量基线红，非本次回归），且原写法在非 UTF-8 locale 下会以本地编码严格解码管道属潜在崩溃面；语义保持，FI-M05 用例复测 pass。
+6. Rust 零改动（swarm/rust_runtime 未触碰，git status 在案）→ cargo test 不适用；嵌入 Rust 运行时已经由 test_rust_swarm* 全套实跑交叉验证（PASS）。
+7. 工作树为同批并行修复员共享（md_cg/mcp_server.py、md_cg/mdcg.py、md_cg/reconcile.py、hive/src/hmac.rs 非该修复员所改），全量套件结论以终跑时刻树状态为准。
+
+**验证**（修复员会话实跑记录）：① `python -X utf8 test/chaos_injection/test_fi_r05_wal_drop_line.py` → 8 检查全 OK，EXIT 0；② `python -X utf8 test/chaos_injection/test_fi_r06_wal_reorder_dep.py` → 7 检查全 OK，EXIT 0；③ `python -X utf8 test/chaos_injection/run_all.py` 跑两次（修复后+终态）→ 均 18/18 与登记一致 EXIT 0；④ 对照实验 9 例（A 正常/B 删行/C 放宽/D 交换/E 重复/F 空/G 单行/H 快照同链/I 快照后跳号）输出逐例在案；⑤ CLI smoke 两态 rc=0/rc=1 在案；⑥ `python -X utf8 -m md_cg.test_subproc_encoding` 修复前 exit 1（纯净 HEAD worktree `git worktree add` 复现同样 exit 1=存量红）、修复后 exit 0；⑦ `python -X utf8 -m hive.test_orch_poll_cache` standalone 两树均 12/12 exit 0（首跑 --jobs 4 下 FAIL 1 系并行抖刺/兄弟修复员在途编辑，终跑未复现）；⑧ `python -X utf8 scripts/run_tests.py --jobs 4` 终跑 206/206 通过、5 跳过、EXIT 0（首跑 204/206，两 FAIL 均已定性：m05 存量红已修，poll_cache 并行抖刺 standalone 绿）。
+
+### 2.4 幂等键标准化 v0——hive 提交面（v0.3 T7/P0-2）
+
+**目标**：spec canonical json（键序/空白不敏感，json.rs `to_canonical_string` 递归键排序+重复键取末+紧凑分隔）的 sha256（复用同批次 hive/src/hmac.rs::sha256，零 crate 依赖）为 content_hash 幂等键：cmd_submit 在依赖检查后扫描活跃任务（pending/claimed/running）同哈希即返回既有 job_id + `deduplicated=true` 不新建；终态不拦（重跑语义不变）；无 content_hash 的旧格式任务不参与去重（向后兼容）。
+
+**落点**：`hive/src/json.rs:407-478`（to_canonical_string/write_canonical + canonical_tests 2 测试：键序空白不敏感/重复键取末/数组有序/递归）· `hive/src/main.rs:220-242`（find_active_by_hash 扫描助手）· `hive/src/main.rs:243-320`（cmd_submit 幂等面：:299-318 去重命中响应 deduplicated=true，:333-341 init 后 patch_status 落 content_hash + 响应 deduplicated=false/content_hash，:770-820 单测 dedup_scan_active_only/content_hash_canonical_insensitive）· `test/chaos_injection/test_fi_r07_double_serve_claim.py`（次观测改写为守卫①-⑥：同 spec 两次→同 job_id+deduplicated=true/池内恰 1 份/不同 spec→不同 job/置 done 后重提→新建/读码判据在位；注入时序修正为双 serve 先就位后投递）· `test/chaos_injection/registry.py:42-47`（FI-R07 注记：P0-2「提交面无幂等键」次观测结案，批次 53 修复，T2/T7 幂等🟢）。
+
+**前后对比**（真实 hive.exe 实测，临时目录哑 spec 测毕清理）：【修复前=批次 52 基线】同 spec 重复 submit 两次→两个不同 job_id/两任务目录（提交面无 content-hash 幂等键）。【修复后实测】第 1 次 rc=0 job_id=h1790398346652_39d0 deduplicated=False content_hash=a9315efd43a5…(64hex)；第 2 次同 spec rc=0 同 job_id deduplicated=True（池内恰 1 份）；不同 spec rc=0 新 job_id deduplicated=False；任务置 done 后重提→新建 deduplicated=False（重跑语义不变）。FI-R07 守卫①-⑥ 全 OK（16 检查全过 EXIT 0）。
+
+**语义变化声明**：
+
+1. 响应契约变化（均为增量）：hive submit 成功响应新增 `deduplicated`（新建=false/去重命中=true）与 `content_hash`（64hex）两字段——按 job_id/ok 解析的消费者不受影响（FI-R06/R07、mreview pipeline、gen_specs 路径全过实测）；去重命中 rc=0 且返回既有 job_id，调用方无需改代码即获得幂等。
+2. 仅拦截**活跃**任务（pending/claimed/running），终态（done/error/timeout/killed）不拦=重跑语义不变；仅 status.json 带 content_hash 的新格式任务参与去重，存量任务池/旧格式零变更。
+3. 新任务 status.json 多一个 content_hash 字段（init 后 patch 补写，不动 init_job 单写者写序；补写失败仅损去重能力不损任务本体）。
+4. v0 边界如实声明：并发双提同 spec 的纳秒级竞窗不设锁（无 submit 原子原语，可能双建——与修复前行为同级，v0 最小面）；MCP Python 提交面（hive_mcp/mcp_server.py `_submit` 独立实现）未纳入本面；幂等键依赖同批次并行修复员新增的 hive/src/hmac.rs（sha256 复用其实现，未写第二套）。
+5. FI-R07 注入时序修正（双 serve 先就位后投递）：原「先投递再拉 s2 --force」会让 s2 的启动恢复扫掉 s1 在飞任务（实测踩坑 error='serve 中断：任务执行被重置'，该恢复语义在 HEAD 已存在、非本批新增）；修后竞争纯粹落在 claim 原子锁，主观测①②③ 判据含义不变。
+
+**验证**（修复员会话实跑记录）：① `cargo test`（cwd=hive/）→ bin 7 passed + lib 29 passed（含 json::canonical_tests 2 与 tests::dedup_scan_active_only/content_hash_canonical_insensitive）+ 集成 judgment_surface 6 passed，全绿；② `cargo build --release` → Finished release（套件用产物含幂等面）；③ `python -X utf8 test/chaos_injection/test_fi_r07_double_serve_claim.py` → 16 检查全 OK，CASE_RESULT verdict=pass consistent=true，EXIT 0；④ `python -X utf8 test/chaos_injection/run_all.py` → 18/18 观测与登记一致，ALL CONSISTENT EXIT 0；⑤ 原始响应对照（真实 hive.exe 临时目录）：第 1 次 deduplicated=False / 第 2 次同 job_id deduplicated=True / 不同 spec 新 job deduplicated=False，逐行输出在案；⑥ `python -X utf8 scripts/run_tests.py --jobs 4` → 207/207 通过、5 跳过、FULL_EXIT=0；⑦ `cargo test`（cwd=swarm/rust_runtime）→ 8/8 passed（本修复未触该 crate，照纪律实跑确认）。
+
+### 2.5 报告员引证抽查（本会话实核）
+
+对第二节材料按 path:line 做机械抽查，以下均实核一致：
+
+- `md_cg/reconcile.py`：ENV_SWITCH=:45、TRACE_FILE=:49、enabled()=:56、_disk_hashes()=:72、_scan_disk()=:78、reconcile_state()=:141，全文恰 228 行 ✓
+- `md_cg/mdcg.py`：`_scan_nodes` 补捕 UnicodeDecodeError（:1206-1213 注释在案）、`reconcile_state` 委托与文档串、索引条目 `content_hash` 走 nodefile 唯一实现 ✓
+- `md_cg/mcp_server.py:3726-3738`：两段式对账块后接 `cg.reconcile_state()`，try/except 不阻塞启动 ✓
+- `hive/src/hmac.rs`：:32 ANCHOR_DOMAIN="hive-result-anchor-v1"、:142 result_anchor_hex、:149 ct_eq ✓；`hive/src/keyres.rs:17` resolve_key_from_env 三键链 ✓；`hive/src/job.rs:104/:136` ✓
+- `hive/src/scheduler.rs`：:59 result_key、:511 classify_result、:689 邻域 needs_review 失败传播（error/timeout/killed/needs_review 同列）✓
+- `hive/src/json.rs:407` to_canonical_string ✓；`hive/src/main.rs:220` find_active_by_hash、:249 cmd_submit、:301-318 去重命中响应 ✓；`hive/src/exec.rs:91` spawn_executor anchor 参 ✓；`hive/src/spec.rs` 失败传播文档含 needs_review ✓
+- `hive/exec.py:134-136`、`hive/exec_cmd.py:43-45` env HIVE_RESULT_ANCHOR 回写 ✓；`hive/hive_mcp/mcp_server.py:247/:286` nonce 面实核在 :247 与 :286 ✓
+- `hive/tests/judgment_surface.rs:281/:399/:457` 三承重锚测试 ✓
+- `swarm/rust_swarm.py:104-105` skip_continuity 参数、:159 连续性判定块、:200 continuity_breaks 返回键 ✓
+- `test/chaos_injection/registry.py`：FI-R03 登记 pass（批次 53 修复注记）、FI-R05/FI-R06 登记 pass、FI-R07 注记幂等键结案 ✓；`test_fi_m05_twophase_kill_between.py:57-60` 已为 `encoding="utf-8", errors="replace"` ✓
+- 一处微漂如实注记：材料称 `hive/hive_mcp/smoke_test.py:96` 假执行器补回写锚，实测锚回写在 `smoke_test.py:104-106`（文件演进行号微漂，机制在位）。
+
+---
+
+## 三、注入套件终验
+
+**本报告会话实跑** `python -X utf8 test/chaos_injection/run_all.py`，实测汇总逐格：
+
+| 用例 | 观测 | 登记 | 一致 | 用例 | 观测 | 登记 | 一致 |
+|------|------|------|------|------|------|------|------|
+| FI-R01 | pass | pass | ✓ | FI-M01 | gap | gap | ✓（A2 单调锚待建） |
+| FI-R02 | pass | pass | ✓ | FI-M02 | gap | gap | ✓（N134） |
+| **FI-R03** | **pass** | **pass** | **✓（gap→pass）** | FI-M03 | gap | gap | ✓（N133） |
+| FI-R04 | pass | pass | ✓ | FI-M04 | gap | gap | ✓（N138） |
+| **FI-R05** | **pass** | **pass** | **✓（gap→pass）** | FI-M05 | pass | pass | ✓ |
+| **FI-R06** | **pass** | **pass** | **✓（gap→pass）** | FI-M06 | pass | pass | ✓ |
+| FI-R07 | pass | pass | ✓ | FI-M07 | gap | gap | ✓（N91 同型） |
+| FI-R08 | gap | gap | ✓（N143） | FI-M08 | pass | pass | ✓ |
+| FI-R09 | pass | pass | ✓ | FI-M09 | pass | pass | ✓ |
+
+- 汇总：**18/18 与登记一致，ALL CONSISTENT，EXIT=0**（pass 11 / gap 7）。
+- **FI-R03 / FI-R05 / FI-R06 三格 gap→pass**：观测=pass、登记=pass、备注批次 53 修复。
+- 7 格 gap 为 EXPECTED_GAP 基线维持（确认缺口仍在），其缺陷真实在案且不属本批修复面——按「禁止伪造」纪律不改登记。
+
+## 四、门禁
+
+| 门禁 | 状态 | 依据 |
+|------|------|------|
+| cargo（hive/swarm Rust） | **未运行**（本报告流程） | 报告员会话未实跑 cargo；各修复员会话材料的 cargo 实跑记录见第二节对应「验证」栏（hive 42 passed、rust_runtime 8/8 等），如实转录、不计为本报告会话门禁证据 |
+| hive | **通过** | CI 有 `hive-check.yml` 蜂巢门禁；本会话佐证：python 全量套件中 hive.* 全 PASS（23 件可见于输出）、注入套件 R 面 FI-R01–R07/R09 全 pass、`test/chaos_injection/test_fi_r03/r07` 等真实 hive.exe 端到端实测（修复员材料） |
+| swarm | **通过** | 本会话佐证：python 全量套件中 swarm.tests 全 PASS、注入套件 FI-R04/R05/R06（WAL 验签/连续性）全 pass（本会话实跑 run_all.py）、swarm 常规套件零回归（修复员材料） |
+| python 全量 | **通过（退出码 0）** | 本会话实跑 `python -X utf8 scripts/run_tests.py --jobs 4` 两次：SUMMARY **207/207 通过，5 跳过**，第二次精确捕获退出码 **SUITE_RC=0**、FAIL 计数 0 |
+| gate | **gate=1** | 编排面给定取值，照实转录；仓库内（scripts/、test/chaos_injection/、.github/workflows/）未定位到其生成器，含义本会话无法进一步核验——如实声明，不猜测 |
+
+## 五、遗留与后续
+
+1. **注入登记 7 格 gap 真实在案，待后续批次**：FI-R08=N143（公开缺省密钥可伪造合法签名，owner=rust，密钥生命周期决策 deferred）；FI-M01=A2 单调锚待建（v0.1§2.9 承重面）；FI-M02=N134；FI-M03=N133；FI-M04=N138；FI-M07=N91 同型。均非本批修复面，登记未动。
+2. **reconcile 全量重放（待建）**：reconcile v0 只做启动期增量对账；「全量重放」演练面（对历史 `_index_log`/盘面做全量重放复核）待建；frontmatter 字段值漂移不在 v0 判据面，仍由 rebuild_index 兜底；真源损坏只告警不改写为 T9 有意边界（结构合法≠内容正确）。
+3. **幂等键扩展面**：并发双提同 spec 的纳秒级竞窗不设锁（可能双建，v0 最小面，与修复前同级）；MCP Python 提交面（hive_mcp/mcp_server.py `_submit`）未纳入幂等面（仅锚 nonce 面）；终态任务不拦为重跑语义的有意保留。
+4. **诚实残余面（如实声明）**：持钥组件仍可伪造合法锚（密钥保密性是判据边界，与 swarm WAL 同界）；同任务旧诚实产物重放不可检（与 rerun_on_recover 逃生门组合缓解）；verify_runner passed>0 门未动。
+5. **文档结案面**：docs/theory v0.3 矩阵 T9 行「🟡部分（全量对账待建）」及 T2/T7 幂等行的 🟡→🟢 文档结案属文档会话面，本批未动 docs（registry.py 内注释已先行注记批次 53 修复）。
+6. **报告会话未复跑项**：cargo test/build（hive 与 swarm/rust_runtime 两 crate）均未在本报告会话实跑，状态以第二节各修复员实跑记录为准。
+
+## 六、纪律合规声明
+
+1. **先读索引后查文件**：已先读 `WORKSPACE_INDEX.md` 按目录职责定位（md_cg/、hive/、swarm/、test/、scripts/、docs/），未做全盘浏览。
+2. **结论引证**：报告内结论均落 path:line（第二节为修复员材料转录+报告员 2.5 节机械抽查实核）；本会话实跑的检查（第三、四节）均给出确切命令与实测输出。
+3. **实验隔离**：各修复员会话实验全部在系统临时目录/临时库/哑令牌环境完成、测毕清理；本报告会话仅实跑仓内标准守卫（run_all.py、run_tests.py，隔离由套件自身承担），零触真实令牌库/真实 serve/真实数据目录。
+4. **理论判据与验收真源**：判据用 `docs/theory/不可靠定理与失效优先框架_v0.3.md` + `docs/不可靠性理论_v0.1.md`；验收以 `test/chaos_injection/registry.py` 登记为真源（18/18 观测与登记一致）。
+5. **输出纪律**：全文中文、无本机绝对路径（均仓内相对路径）；**未 git commit**（编排会话负责）。
+6. **无法满足项如实声明（不绕过不伪造）**：①「gate=1」为编排面给定取值，报告员在仓库内未定位到其生成器，未猜测其含义；②cargo 门禁本会话未运行，未将修复员材料中的 cargo 结果计为本会话门禁通过；③材料中 smoke_test.py:96 一处行号微漂（实测 :104-106）已在 2.5 节如实注记。
+
+---
+
+*报告员会话生成 · v1.0 · 批次 53*

package/docs/eval//345/256/236/351/252/214/346/226/271/346/241/210_/345/255/246/344/271/240/351/227/255/347/216/257AB/344/270/216/346/250/252/350/257/204_v1.0.md

@@ -1,174 +1,174 @@
-# 实验方案 · 学习闭环 A/B 与外部横评 v1.0
-
-> 目的：回应 GPT 的两条核心批评——
-> ①「Knowledge Evolution ≠ Learning」（缺「记忆→提升」的**因果**证据）；
-> ②「自定义指标多、缺外部 baseline」（缺**横评**）。
->
-> 本文件是**方案设计**，不含实验结论。执行前需先确认算力/标注资源与数据集授权。
-> 例外：§E 是**先行冒烟实测记录**（环境可行性小样），不构成 §B 的对外横评数字。
-> 日期：2026-09-12
-
----
-
-## A. 学习闭环 A/B（证明 Memory → Learning → Improvement）
-
-### A.1 设计（因果要求）
-
-```text
-同一初始状态
-   ├── 实验组 A：记忆系统开启（mdcg 正常写读）
-   └── 对照组 B：记忆系统关闭（等价于纯上下文 / 无长期记忆）
-        │
-   同任务集：训练批（进记忆） + 测试批（不进记忆，只评估）
-   分批推进：10 批 × 100 任务 = 1000 任务
-        │
-   每批后评估：测试批上的能力是否提升？
-```
-
-**关键纪律（防自欺）**：
-- **测试批严禁写入记忆**——否则是「记住答案」而非「泛化能力提升」；
-- A/B 用**同一模型、同一 token budget、同一采样参数**，仅记忆开关不同；
-- 任务与指标需**预先注册**，不允许事后挑指标。
-
-### A.2 指标与判据
-
-| 能力 | 指标 | 基线（批 0） | 判据（1000 任务后） |
-|---|---|---|---|
-| 检索 | hit@1 | 记录 | 提升，且 A 组显著高于 B 组 |
-| 推理 | 正确率 | 记录 | ↑ |
-| 冲突处理 | 矛盾识别率 | 记录 | ↑ |
-| **自我校准** | **ECE** | 记录 | **↓ 至 ≤ 0.15**（对齐 README §Gate） |
-| 新任务泛化 | 测试批正确率 | 记录 | ↑（**核心判据**） |
-| 记忆污染 | 错误知识留存率 | 记录 | ↓ |
-
-**核心判据**：新任务泛化的 **A 组提升量显著 > B 组**（如配对检验 p < 0.05）。
-若 A 组仅在「已见任务」上提升、测试批无提升 → 说明只是记忆回放，**Learning 不成立**（诚实结论）。
-
-### A.3 最小可行版本（低成本先跑）
-
-若 1000 任务成本过高，可先跑 **10 批 × 20 任务 = 200 任务** 的最小版本，
-仅测「新任务泛化」与「ECE」两项，用于**证伪**（若连方向都没有，则不必做大）。
-
----
-
-## B. 外部横评（vs 其它记忆系统）
-
-### B.1 Baseline 清单
-
-```text
-Mem0          Letta(Zep)     GraphRAG
-普通 Vector RAG    纯 Context Window（无记忆）
-```
-
-### B.2 控制变量
-
-同一数据集 + 同一底层模型 + 同一 token budget + 同一上下文预算 + 同一任务集。
-
-数据集（复用现有）：
-- `LoCoMo-zh-500`
-- `memory-bench-1000`
-
-### B.3 指标矩阵
-
-| 维度 | 指标 |
-|---|---|
-| 检索 | Recall / Precision / MRR |
-| 答案 | Answer Accuracy |
-| 鲁棒 | Contradiction Handling / Temporal Reasoning |
-| 长期 | Memory Pollution / Long-term Drift |
-| 成本 | Cost / Latency |
-
-**诚实声明（沿用 README 立场）**：本仓现有自评指标**不构成横评声明**；
-只有上述同条件对照产出的数字，才可作为对外比较依据。
-
----
-
-## C. 复用现有 bench（避免重复造轮子）
-
-| 脚本 | 用途 |
-|---|---|
-| `md_cg/bench_locomo_zh*.py` | LoCoMo-zh 检索命中 |
-| `md_cg/bench_membench.py` | memory-bench |
-| `md_cg/bench_longmem.py` | 长期漂移 |
-| `md_cg/bench_task_ab*.py` | 任务级 A/B（**优先扩展此脚本承载 §A**） |
-
----
-
-## D. 执行顺序建议（按性价比）
-
-1. **A.3 最小闭环**（200 任务）——先证伪，成本最低，直接回应批评 ①；
-2. **ECE 长样本验证**——把 `T-TRUST` 从 Lv2 推向 Lv3（缺口 6）；
-3. **B 横评**——说服力最高、成本最高，放最后；
-4. 概念精简（缺口 4）——收益难量化，暂缓。
-
----
-
-## E. 先行冒烟实测记录（2026-09-12）
-
-> 性质说明：本节是**环境可行性冒烟**——用 1 组中文对话语料（3 条事实）跑通「写入 → 检索」。
-> **样本量不足以支撑任何对外横评数字**（§B 的指标矩阵仍需 LoCoMo-zh-500 等数据集）。
-> 它解决的是另一件事：**前提确认**——四家能否在同一 embedding / LLM 条件下真实跑起来，
-> 以及各自的「默认配置」里有哪些会直接毁掉中文记忆的坑。
->
-> 脚本：`_eval/smoke_{mem0,graphiti,graphrag,letta}.py`（`_eval` 位于 `_competitor/`）。
-
-### E.1 环境与口径
-
-| 项 | 取值 |
-|---|---|
-| LLM | `deepseek-chat`（DeepSeek 官方端点；Letta 需绕行，见 E.4 ④） |
-| Embedding | LM Studio 本地 `text-embedding-bge-m3`（1024 维，`http://127.0.0.1:1234/v1`） |
-| 语料 | `_eval/corpus.py` 的 `DIALOG`（6 轮）/ `QUERIES`（fact / preference / relation 各 1 条） |
-| 命中口径 | 返回文本**字面**含期望中文关键词（`corpus.judge`）；另人工复核**语义**正确性 |
-| 版本 | mem0 2.0.20 / Graphiti 0.30.2 / GraphRAG（monorepo, uv workspace）/ Letta 0.16.8 |
-| 基础设施 | Neo4j 5（Graphiti）、PostgreSQL 16 + pgvector（Letta） |
-
-### E.2 结果
-
-| 系统 | 写入 | 抽取产物 | 字面命中 | 语义正确 | 检索耗时 |
-|---|---|---|---|---|---|
-| mem0（默认） | 2.71s | 3 条，**全英文改写** | **1/3** | 3/3 | 0.03s |
-| mem0（+中文锁定） | 2.51s | 3 条，全中文 | **3/3** | 3/3 | 0.03s |
-| Graphiti | 4.09 / 4.52s | 4 实体，**2～3 条事实边** | **2/3 ~ 3/3** | 3/3 | 0.03–0.07s |
-| GraphRAG · local | 索引 17.4s | 4 实体 / 3 关系 / 1 社区报告 | **3/3** | 3/3 | 1.16–2.16s |
-| GraphRAG · global | — | 同上（仅用社区报告） | **2/3** | 2/3 | 1.11–2.83s |
-| Letta | 3 轮对话 | human 块 3 条事实 | **3/3** | 3/3 | 0.06–0.11s |
-
-### E.3 四条与选型直接相关的失败模式（本节主要产出）
-
-1. **mem0 默认把中文事实翻译成英文** → 抽取产物为 `Zhang Wei` / `seafood` / `Xinggui`，
-   中文关键词检索全部失效（字面 1/3）。语义仍正确，故**不是检索坏了，是保真坏了**；
-   注入 `custom_instructions` 锁定中文后 3/3。→ 横评若不做语言控制，mem0 会被系统性低估。
-2. **Graphiti 对「偏好 / 过敏」类事实的抽取不稳定，且会失真**。两次复跑：
-   第一次「海鲜」只作为**实体**存在、无事实边（2/3）；第二次抽出边，但 fact 为
-   「星轨项目与海鲜无直接关联，但用户提及对海鲜过敏」——**命中却语义扭曲**。
-   → 比 miss 更危险；横评必须跑多次取分布，并人工审 fact 而非只看命中率。
-3. **GraphRAG global 丢偏好**：社区报告只覆盖项目 / 会议类信息，`global` 因此答不出过敏问题；
-   `local` 靠原始 text_unit 兜住。→ 两档检索能力不等价，横评需分档报告。
-4. **Letta 的记忆落在 core memory block**，archival（passages）为空；core 读取极快（0.06s）
-   但有容量上限。→ 与「向量库检索」不是同一机制，不宜只按延迟同台比较。
-
-### E.4 复现所需条件（踩坑结论，均为反证确认）
-
-1. **GraphRAG 社区报告**：DeepSeek 拒绝 `response_format.type=json_schema`（400
-   `This response_format type is unavailable now`），而 `community_reports_extractor.py`
-   原用 pydantic 模型 → 索引在 `create_community_reports` 崩溃（下游显现为 `KeyError: 'community'`）。
-   已改为 `response_format_json_object=True` + 本地结构化解析。
-2. **Letta 服务端硬依赖 Postgres + pgvector**：`letta/server/db.py` 模块级 engine 取
-   `settings.letta_pg_uri`（**带默认值**），故 `database_engine=SQLITE` 也不能启动 REST 服务端；
-   需 `alembic upgrade head` 先建表，且容器内要有 `vector` 扩展（缺 `pg8000` 同步驱动也会失败）。
-3. **Letta agent 必须显式挂载 `memory_blocks`**：0.16.8 不再默认附带 persona / human，
-   缺省时 `memory_insert` 报 `Block field human does not exist (available sections = )`，
-   agent 沦为「无记忆体」（`blocks_agents` 与 `archival_passages` 均为 0）。
-4. **Letta LLM 需显式 `llm_config`**：DeepSeek `/v1/models` 现仅返回 `deepseek-flash` /
-   `deepseek-v4-pro`，句柄式 `deepseek/deepseek-chat` 解析失败（`available_handles=[]`）；
-   显式 `llm_config` 可绕过 `provider_models` 句柄表直连。
-5. **mem0 两组不可并发**：`~/.mem0/migrations_qdrant` 是固定路径的本地 qdrant，
-   并发即加锁冲突（`Storage folder ... already accessed by another instance`）→ 双组须串行。
-
-### E.5 与 §B 的衔接
-
-本节把 §B「控制变量」清单补成可执行版：除模型 / 预算 / 任务集外，还须**控制并报告**
-（a）记忆写入语言是否被改写；（b）抽取运行次数（取分布而非单次）；
-（c）GraphRAG 的 local / global 分档；（d）各系统「记忆」的载体类型
-（core block / 图谱边 / 向量库）——否则数字不可比较。
+# 实验方案 · 学习闭环 A/B 与外部横评 v1.0
+
+> 目的：回应 GPT 的两条核心批评——
+> ①「Knowledge Evolution ≠ Learning」（缺「记忆→提升」的**因果**证据）；
+> ②「自定义指标多、缺外部 baseline」（缺**横评**）。
+>
+> 本文件是**方案设计**，不含实验结论。执行前需先确认算力/标注资源与数据集授权。
+> 例外：§E 是**先行冒烟实测记录**（环境可行性小样），不构成 §B 的对外横评数字。
+> 日期：2026-09-12
+
+---
+
+## A. 学习闭环 A/B（证明 Memory → Learning → Improvement）
+
+### A.1 设计（因果要求）
+
+```text
+同一初始状态
+   ├── 实验组 A：记忆系统开启（mdcg 正常写读）
+   └── 对照组 B：记忆系统关闭（等价于纯上下文 / 无长期记忆）
+        │
+   同任务集：训练批（进记忆） + 测试批（不进记忆，只评估）
+   分批推进：10 批 × 100 任务 = 1000 任务
+        │
+   每批后评估：测试批上的能力是否提升？
+```
+
+**关键纪律（防自欺）**：
+- **测试批严禁写入记忆**——否则是「记住答案」而非「泛化能力提升」；
+- A/B 用**同一模型、同一 token budget、同一采样参数**，仅记忆开关不同；
+- 任务与指标需**预先注册**，不允许事后挑指标。
+
+### A.2 指标与判据
+
+| 能力 | 指标 | 基线（批 0） | 判据（1000 任务后） |
+|---|---|---|---|
+| 检索 | hit@1 | 记录 | 提升，且 A 组显著高于 B 组 |
+| 推理 | 正确率 | 记录 | ↑ |
+| 冲突处理 | 矛盾识别率 | 记录 | ↑ |
+| **自我校准** | **ECE** | 记录 | **↓ 至 ≤ 0.15**（对齐 README §Gate） |
+| 新任务泛化 | 测试批正确率 | 记录 | ↑（**核心判据**） |
+| 记忆污染 | 错误知识留存率 | 记录 | ↓ |
+
+**核心判据**：新任务泛化的 **A 组提升量显著 > B 组**（如配对检验 p < 0.05）。
+若 A 组仅在「已见任务」上提升、测试批无提升 → 说明只是记忆回放，**Learning 不成立**（诚实结论）。
+
+### A.3 最小可行版本（低成本先跑）
+
+若 1000 任务成本过高，可先跑 **10 批 × 20 任务 = 200 任务** 的最小版本，
+仅测「新任务泛化」与「ECE」两项，用于**证伪**（若连方向都没有，则不必做大）。
+
+---
+
+## B. 外部横评（vs 其它记忆系统）
+
+### B.1 Baseline 清单
+
+```text
+Mem0          Letta(Zep)     GraphRAG
+普通 Vector RAG    纯 Context Window（无记忆）
+```
+
+### B.2 控制变量
+
+同一数据集 + 同一底层模型 + 同一 token budget + 同一上下文预算 + 同一任务集。
+
+数据集（复用现有）：
+- `LoCoMo-zh-500`
+- `memory-bench-1000`
+
+### B.3 指标矩阵
+
+| 维度 | 指标 |
+|---|---|
+| 检索 | Recall / Precision / MRR |
+| 答案 | Answer Accuracy |
+| 鲁棒 | Contradiction Handling / Temporal Reasoning |
+| 长期 | Memory Pollution / Long-term Drift |
+| 成本 | Cost / Latency |
+
+**诚实声明（沿用 README 立场）**：本仓现有自评指标**不构成横评声明**；
+只有上述同条件对照产出的数字，才可作为对外比较依据。
+
+---
+
+## C. 复用现有 bench（避免重复造轮子）
+
+| 脚本 | 用途 |
+|---|---|
+| `md_cg/bench_locomo_zh*.py` | LoCoMo-zh 检索命中 |
+| `md_cg/bench_membench.py` | memory-bench |
+| `md_cg/bench_longmem.py` | 长期漂移 |
+| `md_cg/bench_task_ab*.py` | 任务级 A/B（**优先扩展此脚本承载 §A**） |
+
+---
+
+## D. 执行顺序建议（按性价比）
+
+1. **A.3 最小闭环**（200 任务）——先证伪，成本最低，直接回应批评 ①；
+2. **ECE 长样本验证**——把 `T-TRUST` 从 Lv2 推向 Lv3（缺口 6）；
+3. **B 横评**——说服力最高、成本最高，放最后；
+4. 概念精简（缺口 4）——收益难量化，暂缓。
+
+---
+
+## E. 先行冒烟实测记录（2026-09-12）
+
+> 性质说明：本节是**环境可行性冒烟**——用 1 组中文对话语料（3 条事实）跑通「写入 → 检索」。
+> **样本量不足以支撑任何对外横评数字**（§B 的指标矩阵仍需 LoCoMo-zh-500 等数据集）。
+> 它解决的是另一件事：**前提确认**——四家能否在同一 embedding / LLM 条件下真实跑起来，
+> 以及各自的「默认配置」里有哪些会直接毁掉中文记忆的坑。
+>
+> 脚本：`_eval/smoke_{mem0,graphiti,graphrag,letta}.py`（`_eval` 位于 `_competitor/`）。
+
+### E.1 环境与口径
+
+| 项 | 取值 |
+|---|---|
+| LLM | `deepseek-chat`（DeepSeek 官方端点；Letta 需绕行，见 E.4 ④） |
+| Embedding | LM Studio 本地 `text-embedding-bge-m3`（1024 维，`http://127.0.0.1:1234/v1`） |
+| 语料 | `_eval/corpus.py` 的 `DIALOG`（6 轮）/ `QUERIES`（fact / preference / relation 各 1 条） |
+| 命中口径 | 返回文本**字面**含期望中文关键词（`corpus.judge`）；另人工复核**语义**正确性 |
+| 版本 | mem0 2.0.20 / Graphiti 0.30.2 / GraphRAG（monorepo, uv workspace）/ Letta 0.16.8 |
+| 基础设施 | Neo4j 5（Graphiti）、PostgreSQL 16 + pgvector（Letta） |
+
+### E.2 结果
+
+| 系统 | 写入 | 抽取产物 | 字面命中 | 语义正确 | 检索耗时 |
+|---|---|---|---|---|---|
+| mem0（默认） | 2.71s | 3 条，**全英文改写** | **1/3** | 3/3 | 0.03s |
+| mem0（+中文锁定） | 2.51s | 3 条，全中文 | **3/3** | 3/3 | 0.03s |
+| Graphiti | 4.09 / 4.52s | 4 实体，**2～3 条事实边** | **2/3 ~ 3/3** | 3/3 | 0.03–0.07s |
+| GraphRAG · local | 索引 17.4s | 4 实体 / 3 关系 / 1 社区报告 | **3/3** | 3/3 | 1.16–2.16s |
+| GraphRAG · global | — | 同上（仅用社区报告） | **2/3** | 2/3 | 1.11–2.83s |
+| Letta | 3 轮对话 | human 块 3 条事实 | **3/3** | 3/3 | 0.06–0.11s |
+
+### E.3 四条与选型直接相关的失败模式（本节主要产出）
+
+1. **mem0 默认把中文事实翻译成英文** → 抽取产物为 `Zhang Wei` / `seafood` / `Xinggui`，
+   中文关键词检索全部失效（字面 1/3）。语义仍正确，故**不是检索坏了，是保真坏了**；
+   注入 `custom_instructions` 锁定中文后 3/3。→ 横评若不做语言控制，mem0 会被系统性低估。
+2. **Graphiti 对「偏好 / 过敏」类事实的抽取不稳定，且会失真**。两次复跑：
+   第一次「海鲜」只作为**实体**存在、无事实边（2/3）；第二次抽出边，但 fact 为
+   「星轨项目与海鲜无直接关联，但用户提及对海鲜过敏」——**命中却语义扭曲**。
+   → 比 miss 更危险；横评必须跑多次取分布，并人工审 fact 而非只看命中率。
+3. **GraphRAG global 丢偏好**：社区报告只覆盖项目 / 会议类信息，`global` 因此答不出过敏问题；
+   `local` 靠原始 text_unit 兜住。→ 两档检索能力不等价，横评需分档报告。
+4. **Letta 的记忆落在 core memory block**，archival（passages）为空；core 读取极快（0.06s）
+   但有容量上限。→ 与「向量库检索」不是同一机制，不宜只按延迟同台比较。
+
+### E.4 复现所需条件（踩坑结论，均为反证确认）
+
+1. **GraphRAG 社区报告**：DeepSeek 拒绝 `response_format.type=json_schema`（400
+   `This response_format type is unavailable now`），而 `community_reports_extractor.py`
+   原用 pydantic 模型 → 索引在 `create_community_reports` 崩溃（下游显现为 `KeyError: 'community'`）。
+   已改为 `response_format_json_object=True` + 本地结构化解析。
+2. **Letta 服务端硬依赖 Postgres + pgvector**：`letta/server/db.py` 模块级 engine 取
+   `settings.letta_pg_uri`（**带默认值**），故 `database_engine=SQLITE` 也不能启动 REST 服务端；
+   需 `alembic upgrade head` 先建表，且容器内要有 `vector` 扩展（缺 `pg8000` 同步驱动也会失败）。
+3. **Letta agent 必须显式挂载 `memory_blocks`**：0.16.8 不再默认附带 persona / human，
+   缺省时 `memory_insert` 报 `Block field human does not exist (available sections = )`，
+   agent 沦为「无记忆体」（`blocks_agents` 与 `archival_passages` 均为 0）。
+4. **Letta LLM 需显式 `llm_config`**：DeepSeek `/v1/models` 现仅返回 `deepseek-flash` /
+   `deepseek-v4-pro`，句柄式 `deepseek/deepseek-chat` 解析失败（`available_handles=[]`）；
+   显式 `llm_config` 可绕过 `provider_models` 句柄表直连。
+5. **mem0 两组不可并发**：`~/.mem0/migrations_qdrant` 是固定路径的本地 qdrant，
+   并发即加锁冲突（`Storage folder ... already accessed by another instance`）→ 双组须串行。
+
+### E.5 与 §B 的衔接
+
+本节把 §B「控制变量」清单补成可执行版：除模型 / 预算 / 任务集外，还须**控制并报告**
+（a）记忆写入语言是否被改写；（b）抽取运行次数（取分布而非单次）；
+（c）GraphRAG 的 local / global 分档；（d）各系统「记忆」的载体类型
+（core block / 图谱边 / 向量库）——否则数字不可比较。