@ilaomianyang/dsh-memory-graph 0.10.0

package/cordis.patch.yml

@@ -0,0 +1,13 @@
+- insert:
+    - id: memory-graph
+      name: '@ilaomianyang/dsh-memory-graph'
+      config:
+        vaultDir: ''
+        capture:
+          enabled: true
+        extractor:
+          enabled: false
+          # harness = borrow the provider / model / thinking level selected in
+          # Settings → Models (no key needed). Switch to 'http' to post to your
+          # own OpenAI-compatible endpoint with baseUrl + apiKeyEnv instead.
+          transport: 'harness'

package/eval/REPORT.md

@@ -0,0 +1,437 @@
+# memory-graph 检索评测报告（第四轮 · 最后一轮）
+
+本轮只做复核：你改完 `src/search.js` 之后，把全部数字、弱点 7 的 10 条变体、6 条探针重跑一遍，
+然后照实改这份报告。**判据、题目、期望卡、fixture 一个字没动；`eval/` 里除这份报告外没有任何改动。**
+
+## 结论
+
+| 判分块 | 结果 | 门槛 | 判定 |
+|---|---|---|---|
+| 原 25 条 · recall@5 | 0.98 | >= 0.80 | 通过 |
+| 原 25 条 · negative 误报 | 0 / 5 | <= 1 | 通过 |
+| history 成对准确率 | **4 / 4 = 1.00** | >= 0.80 | 通过 |
+
+`node eval/run.mjs` 退出码 **0**，13 条自检全 `ok`，临时 vault 正常清理。三块全绿，这是四轮里第一次。
+
+你给的每一个数字我都复现出来了：e1 回到第 1（**7.272**，上一轮 4.808）、k6 回到第 1（4.224）、
+history 4/4、t4 余量 0.074 → **0.14**、h3h 老卡 **8.977** 压过新卡 5.347。
+
+但复现成功不等于没问题，本轮新查出来的三件事写在下面，都进弱点了：
+
+1. **弱点 7 还剩 1/10 漏检**：`先是用 Zabbix 的吧` 没被识别（正则里有 `一开始`，没有 `先用`）。我没再加词。
+2. **新增弱点 8**：`监控之前那套 Kuma 还留着吗` 被读成历史问句，**老卡 7.191 排第 1**，正确的现状卡 7.159 第 2，
+   差 0.032。问的是「还留着吗」= 现状，答的是「以前用 Zabbix」——**这比漏检更糟：漏检是找不到，这个是答错。**
+3. **keyword 组 1.00 的余量变成 0.019**：k6 的正确答案 4.224 对干扰卡 4.205。字表收敛把上一轮 0.128 的余量吃掉了，
+   这条 1.00 是弦上的 1.00，不是稳稳的 1.00。
+
+---
+
+## 与上一轮对比
+
+| 指标 | 第三轮 | 本轮 |
+|---|---|---|
+| keyword recall@1 / recall@5 / MRR | 1.00 / 1.00 / 1.00 | 1.00 / 1.00 / 1.00（k6 余量 0.128 → **0.019**） |
+| entity-bridge recall@1 / recall@5 / MRR | 0.50 / 0.94 / 0.72 | **0.67 / 0.94 / 0.83** |
+| temporal recall@1 / recall@5 / MRR | 0.60 / 1.00 / 0.80 | 0.60 / 1.00 / 0.80 |
+| 时序规则（旧卡不得压过继任者） | 5/5 | 5/5 |
+| negative 误报 | 0/5 | 0/5 |
+| 全部 recall@1 / recall@5 / MRR | 0.75 / 0.98 / 0.87 | **0.80 / 0.98 / 0.90** |
+| history 成对准确率 | 3/4 = 0.75 | **4/4 = 1.00** |
+| 判定 / 退出码 | FAIL（history 0.75） / 1 | **PASS / 0** |
+
+唯一没动的是 temporal 的 r@1 = 0.60（t2、t4 都是第 2，原因见弱点 6），
+和历史组里那 4 条「问现状」侧的对侧卡依旧全部掉出前五（这是对的）。
+
+---
+
+## 分数与逐题名次（全部重跑，与你的表一致）
+
+| 题型 | n | recall@1 | recall@5 | MRR | 备注 |
+|---|---|---|---|---|---|
+| keyword | 9 | 1.00 | 1.00 | 1.00 | 9 条全部第一 |
+| entity-bridge | 6 | 0.67 | 0.94 | 0.83 | 未过 2 条（e5 / e6） |
+| temporal | 5 | 0.60 | 1.00 | 0.80 | 时序规则 5/5 |
+| negative | 5 | - | - | - | 误报 0/5，5 条正常兜底 |
+| **全部** | 25 | **0.80** | **0.98** | **0.90** | 负面误报 0/5 |
+
+`-` = 不在前五。
+
+| 题号 | 类型 | 期望卡名次 | 与上一轮相比 |
+|---|---|---|---|
+| k1–k9 | keyword | 全部 1 | 不变 |
+| k6 | keyword | 1 | 不变（但余量 0.128 → 0.019） |
+| e1 | entity-bridge | **1**, 4, - | 3 → **1（恢复）** |
+| e2 | entity-bridge | 2, 1 | 不变 |
+| e3 | entity-bridge | 2, 1 | 不变 |
+| e4 | entity-bridge | 2, 1 | 不变 |
+| e5 | entity-bridge | 2 | 不变 |
+| e6 | entity-bridge | 5, 3, 2 | 不变 |
+| t1 | temporal | 1 | 不变 |
+| t2 | temporal | 2 | 不变 |
+| t3 | temporal | 1 | 不变 |
+| t4 | temporal | 2 | 不变（余量 0.074 → **0.14**） |
+| t5 | temporal | 2, 1 | 不变 |
+| n1–n5 | negative | 0.050 兜底 | 不变 |
+
+### history 组（4 对 8 题）
+
+| 题号 | 侧 | 问题 | 期望卡名次 | 对侧卡名次 | 与上一轮相比 |
+|---|---|---|---|---|---|
+| h1h | 过去 | 抽取最早是不是默认开着的 | 1 | 2 | 不变 |
+| h1c | 现在 | 抽取现在是显式调用才跑吗 | 1 | - | 不变 |
+| h2h | 过去 | 监控当初用 Zabbix 的时候是怎么弄的 | 1 | 2 | 不变 |
+| h2c | 现在 | 监控现在是用 Prometheus 还是 Kuma | 1 | - | 不变 |
+| h3h | 过去 | 告警最早是发邮件的吗 | **1** | 2 | 2 → **1（修好了）** |
+| h3c | 现在 | 告警现在只发手机吗 | 1 | - | 不变 |
+| h4h | 过去 | 证书当初是手动 renew 的吗 | 1 | 2 | 不变 |
+| h4c | 现在 | 证书现在自动续期吗 | 1 | - | 不变 |
+
+**成对准确率 4/4 = 1.00。** 但这 4 对题的证据强度见「这份评测容易高估你的地方」——
+**4 对题、一对值 0.25，是抛硬币级别的证据**，别拿它当「历史检索解决了」的证明。
+
+---
+
+## 改动 2（字表收敛）：第一版字表把实词一起滤掉了
+
+这条按你的要求留着，包括它是我的错报、你的修复。
+
+### 上一轮发生了什么
+
+改动 3 的第一版 `CJK_FUNCTION_CHARS` 里有 `有`、`不`、`要`、`得`。它们是高频字，看着像虚字，实际不是：
+
+| 问句里的词 | 被切成的 bigram | 第一版字表的后果 |
+|---|---|---|
+| 所**有**项目 | `所有` / `有项` | 两个都丢（`有` 在表里） |
+| 不**要**构建步骤 | `不要` / `要构` | 丢（`要` 在表里） |
+| **不**用 sqlite | `不用` | 丢（`不` 在表里） |
+
+而 `所有` 正是 e1「我是不是定过**所有**项目都要零依赖」在问的东西。于是 e1 从第 1 掉到第 3：
+
+| 轮次 | #1 | #2 | #3 | 期望卡 |
+|---|---|---|---|---|
+| 第三轮（宽字表） | c-20260912-0030 **5.367** | c-20261020-0012 4.899 | c-20260520-0003 **4.808** | 第 3 名 |
+| 本轮（收敛后） | c-20260520-0003 **7.272** | c-20260912-0030 5.358 | c-20261020-0012 4.883 | **第 1 名** |
+
+**这是这条规则真正的成本**：它不是「噪声 vs 实词」的干净二分，`有` / `不` / `要` / `得` 既出现在虚词里
+（`我有`、`了没`），也出现在实词里（`所有`、`不用`、`所有 DSH 插件`）。
+按字做判断就必然在这一类字上犯错，只能选偏向哪一边。
+
+### 收敛后的实测
+
+字表从 39 字减到 36 字（拿掉 `有` `不` `得`，保留 `要`——它在实际出现的 bigram 里都是情态：`都要` / `要不要` / `要零`）。
+当前实际的 tokenize 结果：
+
+| 输入 | 现在切出 | 判断 |
+|---|---|---|
+| `所有` | `所有` | **实词，保住了**（就是 e1 恢复的原因） |
+| `有项` | `有项` | 实词（`所有项目` 的另一半），保住 |
+| `不用` | `不用` | 实词，保住 |
+| `都要` | `（空）` | 噪声，靠 `都` 丢掉 |
+| `要不要` | `（空）` | 噪声，靠 `要` 丢掉 |
+| `几个` | `（空）` | 噪声，丢掉 |
+| `有记` | `有记` | **噪声，回来了**（`有` 不再是功能字） |
+| `到底` | `到底` | 噪声，一直在（`到` `底` 都不在表里） |
+| `部署` / `零依赖` | `部署` / `零依 依赖` | 实词，保住 |
+
+**代价是明确的：噪声覆盖从 10/10 退回 9/10**（`有记` 又进索引），换来 `所有` / `有项` / `不用` 不被误杀。
+这条规则不可能两头都赢，所以我把它写成「按字分类的规则有固有取舍」，
+而不是「改动 3 已经完美」。上一轮那句「不含表内字的噪声照样留着」现在要更准确地说：
+**含表内字的噪声也不再全丢，因为表变小了。**
+
+### 顺手带出来的：k6 的 0.019
+
+| 卡 | 本轮 | 上一轮 |
+|---|---|---|
+| c-20260425-0026（正确答案） | 4.224 #1 | 4.256 #1 |
+| c-20260512-0016（干扰卡） | 4.205 #2 | 4.128 #2 |
+
+k6 仍然第 1，但余量从 0.128 掉到 **0.019**：`不` 从功能字里拿掉之后，`不用` 这个 bigram 回到索引，
+而 0016 的正文里有这类措辞，于是它涨了 0.077。
+**keyword 组的 1.00 现在是 0.019 撑着的。** 再动一次字表，这一题就可能翻过去——
+这不是把它算成弱点，是提醒读分的人：余量 0.019 的 1.00 和余量 1.9 的 1.00 不是一回事。
+
+---
+
+## 改动 4 的第二版：history 意图下不跑 supersedes 前向拉取
+
+上一轮的诊断是三行对照，现在拿同一对照验收：
+
+| 语料 / 代码 | #1 | #2 |
+|---|---|---|
+| 上一轮（拉取照跑） | 新卡 c-20261102-0035 **13.773** | 老卡 c-20260110-0036 9.001 |
+| 上一轮（拆掉 supersede 边，仅作诊断） | 老卡 c-20260110-0036 **9.001** | 新卡 c-20261102-0035 5.355 |
+| **本轮（history 时跳过拉取）** | **老卡 c-20260110-0036 8.977 #1** | 新卡 c-20261102-0035 5.347 #2 |
+
+第三行与诊断时拆边的数字几乎重合（9.001 / 5.355 对 8.977 / 5.347，0.024 的差来自拉取链上另一张卡的边角分）。
+**这说明修复拿掉的正是那 8.1 分的拉取加成，不是把线挪开**——老卡自己的分从头到尾就是 9 分左右，
+上一轮那个 13.773 里有一大半不是它的。
+
+history 组因此 3/4 → 4/4 = 1.00，退出码从 1 变 0；时序规则仍 5/5，问现状四侧的老卡仍全部掉出前五。
+**两头方向都保住了，这才是这条开关做对的样子。**
+
+### 但 t4 的 0.14 仍然是「判据内的过」
+
+| 名次 | 卡 | 得分 |
+|---|---|---|
+| #1 | c-20261005-0011（讲遗忘机制的元卡，`方案` df = 1） | 4.220 |
+| #2 | c-20260715-0006（期望的老卡） | **2.844** |
+| #3 | c-20260802-0007（继任卡） | 2.704 |
+
+老卡比继任卡高 0.14，比上一轮的 0.074 稳了一倍，但 #1 依然是那张无关卡——**弱点 6 一点没变，别写成已修**。
+t4 的判据只查「旧卡别被新卡压下去」，照旧会放过「压了 0.14、但前面还有一张不相干的卡」这种情形。
+
+---
+
+## 弱点 7 的第二次攻击：1/10 漏检
+
+同样的 10 条变体，一字未改，重跑：
+
+| 变体 | 正则 | 老卡名次 | 现在返回的 #1 |
+|---|---|---|---|
+| 上一套监控是什么样的 | 命中 | **1** | 老卡 c-20260530-0027（superseded）3.86 |
+| **先是用 Zabbix 的吧** | **没命中** | 2 | 新卡 c-20260706-0028 3.78 |
+| 那会儿是怎么弄的 | 命中 | - | 0.050 兜底 |
+| 起初的方案是什么 | 命中 | - | c-20261005-0011 4.22（弱点 6） |
+| 当年用的是什么 | 命中 | - | 0.050 兜底 |
+| 从前的做法还记得吗 | 命中 | - | 0.050 兜底 |
+| 老版本的监控在哪 | 命中 | **1** | 老卡 c-20260530-0027（superseded）3.86 |
+| 换方案之前怎么弄的 | 命中 | - | c-20261005-0011 4.22（弱点 6） |
+| 回头查一下旧的做法 | 命中 | - | 0.050 兜底 |
+| 最早那套监控是什么 | 命中 | **1** | 老卡 c-20260530-0027（superseded）3.86 |
+
+**10 条里 9 条命中，还剩 1 条：`先是用 Zabbix 的吧`。** 正则里有 `一开始`，没有 `先用`。
+我**没有**为了这一条再加词：加了 `先用` 之后还会有 `先搞的`、`最早先`、`当初先`。
+
+三个要照实说的地方：
+
+1. **命中正则不等于能答到。** 10 条里 4 条虽然命中，返回仍是 0.050 兜底
+   （`那会儿是怎么弄的`、`当年用的是什么`、`从前的做法还记得吗`、`回头查一下旧的做法`）：
+   它们的内容词全被判成虚字（`那会` / `当年` / `从前` / `回头` / `的做法`），一个实词不剩。
+   意图开关只能决定「旧卡要不要打折」，救不了「这句话里没有可检索的词」。
+2. **2 条命中了但答案被弱点 6 吃掉**：`起初的方案是什么`、`换方案之前怎么弄的` 都返回那张 `方案` 元卡 4.22。
+   历史侧真正的两个障碍是「意图」和「稀有实词抢位」，不是一个开关能一起解决的。
+3. **只有 3 条真把老卡顶到第 1**：`上一套监控`、`老版本的监控`、`最早那套监控`——
+   共同点是老卡的独占词（`Zabbix` / `监控`）出现在问句里。这 3 条能过，一半功劳在词面，不全是正则。
+
+### 反向误触发的复测：修好一个，暴出一个（见弱点 8）
+
+| 问句 | 正则 | 本轮结果 | 上一轮 |
+|---|---|---|---|
+| 原来 Kuma 只做外部拨测啊（现状） | **不命中** | 新卡 **12.228** #1，老卡 1.850 掉出前二 | 12.240 对 **12.196**，差 0.044 |
+| 监控之前那套 Kuma 还留着吗（现状） | 命中 | **老卡 7.191 #1**，新卡 7.159 #2 | 未测 |
+| 备份之前先跑 restic check 吗（现状） | 命中 | 0032 11.219 #1（正确答案是 active 卡，无害） | 11.09 |
+
+「单独拿掉 `原来`」这一手是对的：老卡从 12.196 掉到 1.850，反噬消失，代价是真要问
+「原来那套监控是什么」得靠更窄的 `原来那`（正则里有，实测可用）。
+但同一轮里 `之前` 这条暴出了新问题，见下。
+
+---
+
+## 弱点 8（本轮新加）：「还留着吗」这类现状提问被读成历史
+
+| 名次 | 卡 | 得分 | 状态 |
+|---|---|---|---|
+| #1 | c-20260530-0027 监控从 Zabbix 换到 Uptime Kuma | **7.191** | superseded |
+| #2 | c-20260706-0028 监控换成 Prometheus + Grafana，Uptime Kuma 只留外部拨测 | **7.159** | active |
+
+问句是「监控**之前**那套 Kuma **还留着吗**」。这句话问的是**现在还在不在**，
+`之前` 在这里是定语（「之前那套」），不是时间状语。正则看到 `之前` 就当成历史，于是：
+老卡从 0.15 放行到 1.0，**以 0.032 之差把正确答案压到第 2**。
+0.032 的错答比漏检严重得多——漏检时用户看到 0.05 的兜底，知道没找到；
+这里用户看到的是一个**语气确凿的错误答案**。
+
+这不是 `之前` 一个词的毛病，是**二值意图判断的结构性代价**：
+
+- `之前`、`当时`、`原来` 在中文里既能做时间状语（「之前怎么弄的」）也能做定语（「之前那套」）；
+- `那套`、`还留着`、`还在用` 是强现状信号，正则完全不看；
+- 更根本的是：**「问过去还是问现在」几乎从来不是二值的**。「以前那套现在还留着吗」同时问了两个时间点。
+
+上一轮我预言过这个形状（「一个这样的副词就能把作废卡放大 6.67 倍，这两条之所以没翻只是运气」）。
+`原来` 那条救回来了，`之前` 这条翻了——**同一枚硬币，只是换了个面。**
+
+修的方向（没动，等你定）：
+
+- 加**现状信号否决**：问句里出现 `还` / `还在` / `还有` / `现在` / `目前` 时，历史意图不成立，
+  或退化成「旧卡不加权、但允许出现」；
+- 或者不做二值判断，把整条 supersede 链一起返回、链内按时序排列，让读者自己看两版——
+  这也更符合 c-20261005-0011 里写的那条设计原则（「旧方案还能查到，只是压在新方案下面」）。
+
+---
+
+## 题外探针：6 条，本轮实测
+
+| 探针 | 库里有没有 | 本轮返回 | 与上一轮 | 判定 |
+|---|---|---|---|---|
+| Loki 日志留几天 | 有 | #1 c-20261030-0034，13.10 | 13.04 | 命中 |
+| tailscale 现在还在用吗 | 有 | #1 c-20261027-0033，6.32 | 6.37 | 命中 |
+| 那个 VPS 到底几个核 | 有 | #1 c-20260425-0026，2.94 | 2.97 | 命中（`到底` 仍是噪声，靠 `vps` 撑住） |
+| 备份到底做了没有 | 有 | #1 c-20261016-0032 5.39，#2 c-20260320-0025 3.43 | 5.36 / 3.41 | 灰区：卡找对了，库里没记「跑成功了没有」 |
+| 我有没有记过 Kubernetes 集群的部署流程 | **没有** | #1 c-20260708-0018，3.71 | 3.71 | **误报** |
+| 评论区的字体是什么 | **没有字体这条** | #1 c-20260512-0016，4.29 | 4.27 | **判据灰区，不是检索问题** |
+
+四条结论与上一轮一致：
+
+- **Kubernetes 那条是真误报**：3.71 分，命中的是「部署靠 GitHub Actions」，只共享 `部署` 一个词，
+  库里没有一张 K8s 的卡。判据（`>= 0.5`）判它误报是对的。
+- **字体那条是判据灰区**：`c-20260512-0016` 就是评论区那张卡（entities 里有 `评论`），排第 1 是**正确行为**；
+  38 张卡里没有一张提字体，前五也没有。这不是「找到了错的东西」，是「找到了对的东西，但那东西答不了这个问题」。
+  `>= 0.5 记为误报` 区分不了这两种情况，我没有为了让 p6 过而抬线（抬到 4.3 会让 p1 的 13.10 一起被埋）。
+- `有记` 的回归没有在本轮探针里造成新误报（p5 与上一轮同分 3.71），但它进索引这件事是真的。
+- **6 条里 3 命中、1 灰区、1 真误报、1 判据灰区。**
+
+---
+
+## 仍然存在的弱点
+
+### 1. 噪声 bigram 靠「含虚字」过滤——两版都只是近似
+
+第一版按字滤，把 `所有` / `不用` 一起滤掉了（改动 2 修了，代价是 `有记` 回来）。
+现状：不含表内字的噪声（`到底`、`有记`、`先用`）照样进索引；含表内字的实词也可能被误杀。
+这是近似规则的固有毛边，不是实现 bug。
+
+### 2. 作废与继任者的方向——两侧都对了，但开关的判定不可靠
+
+问现状时旧卡被压住（0.15 + 拉取），问历史时旧卡放行且不拉取（本轮修好），history 组 4/4。
+剩下的不是「方向错」，而是「开关读不准」——见弱点 7、8。
+另外 `c-20261005-0011` 正文写的「superseded 打 0.4 的折扣」与代码里的 0.15 早已不一致，
+fixture 文本冻结，这里只记录：**文档与实现脱节，读者会按 0.4 理解。**
+
+### 3. 一跳扩展权重太小，扩展出来的卡只能当陪跑（未动）
+
+`0.25 × 种子分 × 实体覆盖率` 的量级，让 `via: linked:` 的结果稳定落在 0.5 一档。
+看 t2 现在的排序：#2 是 3.78（正文命中），而 #3 0.91、#4 0.58、#5 0.53 全是 `linked:`——
+扩展能**找到**东西，但永远挤不进前两名的量级。
+
+### 4. 缺「最早 / 首次出现」信号（未动）
+
+问「写作偏好这条最早是在哪里记下来的」，靠实体相连的正确答案 8.265 分，标题里直接含该词的卡 **9.686** 分排第一：
+
+| 卡 | 得分 | 为什么 |
+|---|---|---|
+| c-20260811-0019 | 9.686 | 标题含 `写作偏好`，×3 权重 |
+| c-20261029-0013 | 8.265 | 只在 entities 里出现一次，×1 权重 |
+
+`最早` 现在能让 `HISTORY_INTENT` 命中、把老卡从 0.15 里放出来，但「哪张更早」仍然没有任何信号——
+t4 里老卡只是恰好比继任卡高 0.14。**意图开关解决的是「要不要打折」，不是「谁更早」。**
+
+### 5. recency 下限 + 共享实体 idf 偏低，最老的跨项目卡沉底（未动）
+
+问「esm 这个选择在几个项目里一致吗」，期望三张卡里最老的 c-20260310-0014（237 天前）
+只命中 `esm` 一个 token（df = 4，idf 低），乘 recency 下限 0.55 后 **1.244**，排第 5；
+第 1 名 c-20261020-0012 拿 4.883。三轮下来这张卡是 6 → 5 → 5，1.19 → 1.24 → 1.24：
+**没坏，也确实没动。**
+
+### 6. 稀有实词压过内容卡（未动，本轮更显眼）
+
+`方案` 在全语料 df = 1，只出现在 c-20261005-0011（讲「retracted 和 superseded 是降权不是删除」的机制卡）里，
+出现两次。只要问句含 `方案`，这张**讲遗忘机制的元卡**就排第一：
+
+| 题 | #1 | #2 |
+|---|---|---|
+| t2 监控现在到底是什么方案 | c-20261005-0011 **4.220** | c-20260706-0028（真正的答案）3.78 |
+| t4 最早那版抽取方案是什么 | c-20261005-0011 **4.220** | c-20260715-0006（期望的老卡）2.844 |
+| 探针·起初的方案是什么 | c-20261005-0011 **4.22** | 老卡不在榜上 |
+
+它是 active 卡，分数不受任何乘数影响，两轮里 4.038 → 4.247 → 4.220，稳定压住真答案。
+**一个词只要足够稀有，就能压过整句的主题**——df = 1 的短词是这个 BM25 配置的真实弱点。
+
+### 7. 历史意图靠正则枚举：漏检 7/10 → 1/10，但机制没变（已扩，仍有漏）
+
+上一轮 7/10 漏，本轮 1/10 漏（`先用`）。数字好看多了，但**设计没变**：还是一张照失败反推的词表，只是从 24 项扩到 33 项。
+
+| 攻击轮次 | 词表规模 | 漏检 | 老卡进第 1 |
+|---|---|---|---|
+| 第三轮 | 24 项 | 7/10 | 3/10 |
+| 第四轮 | 33 项 | **1/10** | 3/10 |
+
+再加一批新人写的变体，第五次会漏几个我不知道——上一轮我也以为补完就够了。
+具体剩下的问题：10 条里 4 条命中却仍 0.050 兜底（内容词全被判成虚字），2 条被弱点 6 抢位，
+3 条真靠老卡独占词过。**「命中 9/10」和「答对 3/10」是两个数字。**
+
+### 8. 「还留着吗」这类现状提问被读成历史（本轮新加）
+
+见上面整节：`监控之前那套 Kuma 还留着吗` → 老卡 7.191 第 1、正确答案 7.159 第 2，差 0.032。
+根因是二值意图判断 + 完全没有现状信号否决。**这是四轮里唯一一处「修复引入的新错误」**：
+`原来` 的误触发被拿掉了，`之前` 的误触发就露出来了。
+
+---
+
+## 能用的部分（别把上面的问题看过头）
+
+- 有关键词支撑的短问句，recall@1 和 recall@5 都是 1.00：k1 到 k9 全部第一（k6 余量 0.019）。
+- 跨项目实体在 token 够独特时拉得动：e1 恢复第 1（7.272），e2 / e3 / e4 各返回两张卡排在第 1、2 位。
+- 问现状这一类是干净的：h1c / h2c / h3c / h4c 四条全部第一，四个老卡全部掉出前五。
+- 问历史这一类也过了：h1h / h2h / h3h / h4h 四条老卡全部第 1、对侧新卡第 2（不再有拉取加成）。
+- retracted 卡（c-20260820-0008）在 25 条题 + 8 条 history 题的前五里一次都没出现；
+  `limit` 放到 25 才在第 9 位出现，得分 0.000。撤回语义四轮都稳。
+- 「什么都没找到」这条路是通的：n1 到 n5 全部退回 0.050 兜底。
+
+---
+
+## 这份评测容易高估你的地方
+
+这一节给读分数的人看，不是给写检索的人看。
+
+- **history 组 4 对 = 抛硬币级别的证据。** 一对值 0.25，门槛 0.8 意味着「最多错一对」。
+  上一轮 0.75 是因为错了 h3，本轮 1.00 是因为那一对修好了——**中间只差一道题**。
+  这个 1.00 不能读作「历史检索解决了」，只能读作「我们知道的那 4 对里没有反例」。
+  想要有意义的数字至少 20 对，而这 4 对还是我自己挑的主题。
+- **4 对里有 3 对（h1 / h2 / h4）靠老卡独占词过关**，只有 h3（共享整个主题词 `告警`）真正在测机制。
+  也就是说 4 对题的有效信息量接近 1 对。
+- **fixture 是我和你共同设计的，第三轮我还往里加了 3 张卡。** 真实 vault 不会这么整齐。
+  能自我安慰的一点：38 卡与 35 卡在原 25 条上逐题名次完全一致。
+- **8 条 history 题是我在看完成对判据之后写的**：写完没改过，但「老卡 vs 继任卡」这个结构
+  本身就是我看到 t4 失败之后才想到的，所以它测的是我已经知道会失败的那一类。
+- **38 张卡，分母很小。** 20 条可答题、一条值 0.05 的总 recall@5；每类 5 到 9 条，一条题就是 0.11 到 0.20 的类内分。
+  entity-bridge 从 0.50 到 0.67 只是 e1 一题回来。
+- **单题余量比类内分数更值得看。** k6 的 1.00 是 0.019 撑着的，t4 的「过」是 0.14 撑着的，
+  e5 的第 2 是 1.42 的差距，e6 的第 5 差 3.6 分。同一张 1.00 的表里，四个「通过」的稳固程度差两个数量级。
+- **negative 只有 5 条，1 条误报就是 20%。** 这 5 条正好是修复时被参考过的措辞；新写的 negative 探针仍有 1 条误报。
+  0/5 是「规则覆盖到了这 5 条」，不是「negative 问题解决了」。
+- **总分对单题退步不敏感。** 第三轮 e1 掉到第 3、keyword 涨到 1.00，总分看起来一片大好，两者是同一处改动造成的；
+  这一轮反过来，e1 回来、k6 余量掉到 0.019，也抵消在同一个 0.80 里。
+- **门槛和判据都是任意的。** 0.8、`<= 1`、negative 的 0.5 分线、时序题的「旧卡不得压过继任者」、
+  history 的「对侧卡不得压过期望卡」，都是按这份语料的分数量级定的。换语料要重新看一眼这几条线。
+- **这轮的正则扩充是看着上一轮的 10 条失败写的。** 9/10 里有我自己的信息泄漏：
+  下一批 10 条变体（不是我写的）会掉到多少，这份报告给不出来。
+
+---
+
+## 改进优先级
+
+1. **二值意图判断换成连续先验 + 现状信号否决**（弱点 7 + 8）：`还` / `还在` / `还有` / `现在` / `目前` 出现时
+   历史意图不成立；`之前` / `当时` 这类两可词不该单独决定方向。或者干脆不做判断，
+   把整条 supersede 链一起返回、按时序排。这是唯一一处「错答」级别的缺陷，优先级高于其他所有项。
+2. **稀有短词的 idf 上限**（弱点 6）：给 df = 1 的 token 封顶，或要求至少两个 token 命中才算有效命中。
+   同时压住 0011 元卡对 t2 / t4 / 两条历史变体的干扰，也顺带缓解「评论区的字体」那种判据灰区。
+3. **答案充分性判据**（替代 negative 的 0.5 线）：要求问句的话题实体在命中卡里出现，
+   才能把「话题命中但没答案」与「完全无关却高分」分开。
+4. **历史问句的两段式处理**（弱点 7 里那 4 条 0.050 兜底）：时间词只用于意图判断、不参与匹配，
+   剩下的内容词再走向量/词面匹配，而不是在同一套 token 里解决。
+5. **抬高扩展分**（弱点 3）：`0.25` 提到 `0.5` 以上，或给 `via: linked:` 留固定保底名额。
+6. **实体命中加权**（弱点 4、5）：entities 里的 token 权重从 1 提到 2。
+7. **recency 下限 0.55 抬到 0.7**，或只在分数接近时当 tie-break。
+
+---
+
+## 复现
+
+```bash
+node eval/seed.mjs   # 只建 fixture 并打印摘要，目录保留
+node eval/run.mjs    # 跑分；不合格时保留 vault 并打印路径，退出码 1
+```
+
+`run.mjs` 判三块：原 25 条 recall@5 >= 0.80、negative 误报 <= 1、history 成对准确率 >= 0.8。
+**当前状态：三块全过，退出码 0，临时 vault 自动清理。**
+
+## 附：四轮改动一览（`eval/` 里改过什么）
+
+| 轮次 | `seed.mjs` | `questions.json` | `run.mjs` |
+|---|---|---|---|
+| 第一轮 | 建 fixture（35 卡 / 2 链） | 25 条（keyword 9 / entity-bridge 6 / temporal 5 / negative 5） | 打分、判定、miss 明细 |
+| 第二轮 | 未动 | 未动（`STOPWORDS` 在 `src/`，不在我的范围） | 未动 |
+| 第三轮 | +3 卡、+2 链（告警渠道 / 证书续期）→ 38 卡 / 4 链 | +8 条 `kind: "history"`（4 对）+ legend | 成对准确率、独立门槛、3 条 history 自检 |
+| 第四轮 | **未动** | **未动** | **未动**（只重跑 + 重写这份报告） |
+
+第四轮我没碰 `eval/` 里任何代码：题、期望卡、`demote`、门槛、fixture 全部冻结，这一轮只是验收。
+`src/` 四轮都没动过（改动 2 / 3 / 4 都是你改的，我只测）。