dsh-vibe-math 2.7.3 → 2.8.0

package/docs/slv-playbook.md

@@ -0,0 +1,117 @@
+# 脚本化真机验证（SLV）手册
+
+> 目的：在**真实 DSH** 上、用**脚本**（不是 GUI）建一个指定 `agentPreset` 的会话并驱动若干回合，拿到可引用的转录证据。
+> 面向读者：维护者/复核者。命令与字段名均来自实测。
+> **铁律**：**上限或超时都不是通过**——它们是**非结果（NON-RESULT）**，必须如实记录，绝不写成 PASS。
+
+## 1. 隔离：绝不碰用户自己的 profile
+
+```powershell
+# 1) 克隆一份 profile（不要用用户正在用的那份）
+Copy-Item -Recurse -Force "$HOME\.dsh\profiles\web" "$HOME\.dsh\profiles\<clone>"
+# 2) 改克隆里 package.json 的 name，避免与用户 profile 混淆
+# 3) 从【纯 ASCII】的临时 cwd 启动，独立端口 + --no-open
+New-Item -ItemType Directory -Force -Path "$env:TEMP\slv-ws"
+dsh --profile <clone> --port <自有端口> --no-open
+# 等价写法（需要指定 DSH 入口时）：node <dsh>/lib/bin.js --profile <clone> --port <自有端口> --no-open
+```
+
+- **`--no-open`**：不弹 GUI；stdout 会打印一行 `dsh web: http://127.0.0.1:<端口>/?token=<TOKEN>` ⇒ **从这里取 `token=`**。
+- **`--port`**：必须是你自己的端口，别占用用户实例的端口。
+- **cwd 必须是纯 ASCII**：非 ASCII 工作区会在宿主侧变成乱码并报 `ENOENT`（编码问题，不是宿主缺陷）。
+- 认证（实测）：`GET /?token=<TOKEN>` ⇒ **303 + `Set-Cookie: dsh-auth-…`**；随后带 cookie 调 `/api/*` 返回 200，不带 cookie 返回 **401**。
+- RPC 信封（逐字）：`POST /api/<endpoint>`，正文 `{"type":"client-request","rpcId":"<唯一>","method":"<与 endpoint 同名>","payload":{"args":{…}}}`；**`payload` 必须恰好是 `{"args":{…}}`**（传 `{}` 或 `{"args":[]}` 会被拒）。
+- **profile 补丁是顶层序列**：`cordis.patch.yml` 首个非注释行以 `-` 开头，因此追加行**必须从第 0 列开始**；用 2 空格缩进会得到 `YAMLException: bad indentation of a sequence entry`。
+
+## 2. 模拟声明：必须留可检索证据
+
+在**根会话的第一条 user message** 里明示这是一次模拟，例如：
+
+> 本次运行是一次**模拟测试**（协议与端到端验证），**不是**真实研究任务。请按规范正常协作：快速尝试各功能逻辑，产出可验证的产物，并在完成后**按正确流程收敛收口**。
+
+**断言方式（不许只"声称"）**：
+
+1. 在**运行产物** `transcript.jsonl` 里 grep **用户原句 `这是一次模拟`**；
+2. 该命中必须落在 **`user/message` 事件**里（不是系统提示、不是回显）；
+3. 报告要写**该事件的 `seq` ＋ 文件行号**（实测形态：`{"sink":"user/message","seq":8,…}`）。
+
+> 提醒：短语是**用户原句**，比对时按 UTF-8 字节比对最稳（可以先取该句的 hex，再在产物里定位）。
+
+**模拟/取反的铁律：必须拒绝新代码能走的每条路径。** 当你用"模拟一个条件不成立"来证明分支行为时（例如把某个环境变量清空、把某个根目录设为不可达、把某个解析器替换为会失败的桩），必须**逐一否认新代码可能达成该条件的每一条路径**——否则"未触发"只是**你的模拟没覆盖到**，不是代码没走那条路。可操作的判定：
+- 先**枚举**新代码为满足该条件可以尝试的**全部**入口（环境变量／已知安装根／PATH／配置项／回退链的每一环），再**逐个**否认；
+- 断言里要出现**"未选到任何候选"**这类**否定性证据**（例如 `exe === null`／`tried.length === N`／`result === 'not-detected'`），而不只是"结果符合预期"；
+- 若某条路径**无法否认**（本机就存在），那就把该点写成**实测边界**（§5），不要声称已覆盖。
+
+## 3. 驱动 CLI（23 个开关）
+
+```
+--profile --port --cwd --ws --preset --task --task-file
+--steer --steer-after --cancel --cancel-after --timeout --max-tokens
+--quiet --out --jsonl --follow --follow-stream --follow-members
+--allow-probe-patch --token --session --resume
+```
+
+- 常用组合：`--port <端口> --token <TOKEN> --preset vibe-math-v4 --task-file <任务> --jsonl <产物.jsonl> [--follow-stream] [--follow-members]`。
+- **`--steer-after`** 是中途注入/中继通道：用它在运行中追加指令（例如模拟声明或中途 steer），**不要**为此另开一个会话。
+- `--timeout` 与 `--max-tokens` **每次都要设**（见 §4）。
+
+## 4. 预算与上限
+
+> **这些是"一次 SLV 实验"的上限，不是"干活的人"的预算。** 它们约束的是**要被测量的那次真机运行**（一次 run 的 token/墙钟），**绝不能**被当作代理/会话的自我预算，**更不能**成为"停止、缩减或推迟验证"的理由。工作安排只有四类真实阻塞（门禁红未定位／规格歧义／需用户拍板／队友窗口确实装不下，后者由 Lead 接手）。
+
+- **总预算 ≤ 2.5 M tokens**；分项上限：最小 `configure`+`status` **≤ 50 k**；v5 启动 + 1 轮 **≤ 250 k**；v4 启动 + 1 轮 **≤ 900 k**；2 名常驻的会议 **≤ 600 k**。
+- **成本量级（实测）**：最小 `configure`+`status` ≈ **8 s**；v4 启动 + 1 轮 ≈ **100 s / 732,888 tokens**；v5 ≈ **21–25 s / ≈150 k**；2 名常驻会议 ≈ **64 s / 473 k** ⇒ 一律用**受管后台作业**跑，不要让前台阻塞。
+- 到达任何上限（tokens/墙钟）⇒ 记为 **NON-RESULT**，不要写成通过；先记录、再**单跑复现**，仍红才按真回归处理。
+
+## 5. 能建立什么、不能建立什么
+
+**能**（在本机可达范围内）：
+
+- 多预设流程的**落位**：工具确实被注册并返回真实结果（例如 `vibe_v4_configure` / `vibe_v4_status` 的真实返回），而不是假设；
+- 研究所/邮箱路径、会议（首位发言可观测；**后位发言需要 ≥2 名常驻**）、论文/归档的启动路径；
+- `math_computation` 的 `probe`/`run`（本机 Python 在 PATH；R 走已知安装目录）。
+
+**不能**：
+
+- **没有任何引擎**（Octave/Julia/MATLAB/Maple/Wolfram 等）⇒ 这些面只能核对**诚实文本**：`configured`（配置启用）与 `absent[]`（每项带 `why`），这是**部分替代**，不是执行验证；
+- **单客户端** ⇒ 并发要靠两个克隆 + 两个端口模拟，否则如实声明超出范围；
+- **有界运行只能建立"落位与可观测性"**，**不能**建立"收敛/收口"结论——收敛结论必须来自随包套件。
+
+## 6. 中止触发与处置
+
+| 触发 | 处置 |
+|---|---|
+| 模拟声明没落地 | 立即中止，记为**证据失败**（不是产品通过） |
+| 触到 token/墙钟上限 | 记为 **NON-RESULT**；需要时缩小规模（更少成员/更短任务）重跑 |
+| 出现产品缺陷迹象 | 先**单跑复现**；复现成功 ⇒ 当真回归处理并附转录行号 |
+| 明显是宿主限制 | 记为**诚实边界**（写清限制与观测点）；**不得**写成产品通过 |
+
+## 7. 产物、报告与清理
+
+**产物（可引用）**：`transcript.jsonl`、`run.log`、任务文本、提取脚本、**本次运行自己的 sessionId 清单**。
+
+**报告**（写进仓库外的工作记录）应包含：逐步证据（命令 + 退出码 + 关键输出行 + 转录行号）、模拟声明的 `seq` 与行号、逐条收敛判据的结论、**非 SLV 项的实测结果**、**诚实边界清单**（未验证/无法验证的项）。
+
+**清理（只限自己）**：
+
+- 只删**自己**的会话目录：`~/.dsh/sessions/<escaped-cwd>/<sessionId>/`；
+- 只删**文件名包含自己 sessionId** 的投影缓存条目（`…/session_projcache/sessions/<sessionId>.json`）；
+- 只删**自己克隆的 profile** 与**自己起的服务/端口**；
+- **绝不**按时间窗（例如"最近 20 分钟 mtime"）批量删除——历史上这样做误删了不属于本次运行的投影缓存条目；删除数量要与预期**逐个对齐**并回报。
+
+## 8. 最后：这次运行"证明了什么"
+
+写结论时把"我们看到的"与"它支持的结论"分开：
+
+- **观测**：转录里出现了什么（带 seq/行号）、工具返回了什么；
+- **支持**：这些观测支持**落位与可观测性**；
+- **不支持**：不能据此声称收敛、性能、或未安装引擎的行为；
+- **非结果**：被上限/超时终止的运行，逐条列出并说明原因。
+
+## 9. 本阶段教训（都可复核，且都已写进守卫/文档）
+
+1. **关键词计数不是站点清单。** 用 `LaTeX|TeX` 之类的关键词在源码里数命中，得到的往往是**参数描述、注释与检测代码**，而不是"代理真正会读到的提示词"。要改提示词，先列出**构建提示词的函数**（`function .*[Pp]rompt`／`*PromptBlock`），再逐个精读。
+2. **守卫必须逐分支验证"真的能变红"。** 一个写成"**任一**语言／任一条件满足即可"的检查，会在两种变体都存在时**悄悄失去判别力**（删掉其中一条，另一条仍然满足 ⇒ 变异**空转**）。正确做法：**按实际形态逐项断言**（例如按每个预设真正使用的语言），并让每条单点变异都**按名**变红。
+3. **"单跑绿"不等于"门禁绿"。** 门禁并行跑几十个作业，**负载**会让依赖固定迭代上限/空闲退出的用例在**断言所等事件发生之前**就结束（实测：`e2e-v4-fixes` 的 T1/T19/T23/T26、`selfdrive-v4` 均单跑全绿、门禁偶发红）。排查顺序：**读失败原文 → 单跑复现 → 再看并行负载**；修复不要靠"把等待时间加长"（那会把"快速错答"换成"慢速超时"，代价更大）。
+4. **stdout 是机器通道。** `tests/run-tests.mjs --counts/--json` 的 stdout 会被 `scripts/update-doc-counts.mjs` 直接 `JSON.parse`；任何日志／提示写到 stdout 都会让计数刷新崩掉（实测 `SyntaxError: Unexpected token 'r'`）⇒ **日志一律走 stderr**。
+5. **被杀死的作业不会自清。** 被超时 SIGKILL 的套件无法执行 `finally`，其临时目录会永久残留（实测 `%TEMP%` 顶层 24 万项、其中我们 24.5 万项）⇒ 由 `scripts/clean-temp.mjs` 在门禁启动时清扫陈旧目录，并**优先使用更宽裕的盘**（`D:\_tmp`）。

package/docs/test-timing.md

@@ -1,157 +1,158 @@
-# 测试与脚本耗时基线（决定每次跑什么、怎么跑）
-
-> **为什么要写下来**：这套仓库的测试耗时极不均匀（一个套件 100 s，大多数不到 2 s；探针脚本要
-> 把同一套件跑十几遍）。不看数据就会犯两种错：要么每次都全量顺序跑（浪费 30 分钟），要么为了
-> 省时间去砍测例（降低覆盖）。**先看基线，再选策略**；每次跑完把实测时间跟本表对一下，偏差大
-> 就更新本表。
-
-## 1. 怎么跑（并行是默认）
-
-```bash
-node tests/run-tests.mjs                     # 全部套件 + 全部探针（tests/ 下每个 .mjs），并行（并发 = min(4, CPU 核数)；命令都从**仓库根**执行）
-node tests/run-tests.mjs --only formal       # 只跑名字含 formal 的项（套件与探针一起筛）
-node tests/run-tests.mjs --concurrency=6     # 手动指定并发
-node tests/run-tests.mjs --json              # 机器可读汇总（含 skippedNeedsArgs / devCheckout）
-```
-
-`run-tests.mjs` 的收集规则（Round B 起）：`tests/` 下**每个** `.mjs` 都会被跑——
-
-- `*.test.mjs` 是**套件**；其余 `.mjs` 是**探针/审计**（灵敏度变异、注册面、自驱动守卫）；
-- 只有登记在 runner 的 `NEEDS_ARGS` 里的脚本才会被跳过（当前只有 `audit-tool-exec.mjs`：它必须带
-  `<preset-js> <tool-name>` 才能跑）。跳过项**每次运行都会打印出来**；在开发检出（存在 `.git`）里
-  该登记失效会**直接报错退出**，所以改名不可能悄悄把一条守卫踢出发布门禁；
-- 需要参数的变体登记在 `VARIANTS`：`audit-registration.mjs` 四个预设各跑一次（裸跑只查 v3）、
-  `audit-prompt-invariants.mjs --self-probe`、以及 `audit-v3-registration-parity.mjs --self-probe`
-  （这条**成功 = 退出码 1**：它注入真实变异并要求守卫变红，runner 用 `expectExit` 表达）。
-
-### 1.1 随包发布 vs 仅仓库（`npm pack --dry-run --json`）
-
-`package.json` 的 `files` 只发 `tests/` 的一个**子集**（发布物共 **119** 个文件，其中 `tests/` **23** 项），
-所以安装用户跑 `node tests/run-tests.mjs` 得到的是子集的结果——runner 会把缺失的跳过项打印出来，
-不会静默少跑：
-
-- **随包（23 项）**：`run-tests.mjs`、`audit-formal-sensitivity.mjs`、`audit-persona-sensitivity.mjs`、
-  `audit-prompt-invariants.mjs`、`audit-spec-traceability.mjs`、`audit-v5-integrity.mjs`、
-  `audit-v5-sensitivity.mjs`、`selfdrive-v5.mjs`、`audit-math-computation-parity.mjs`、
-  `audit-math-computation-contract.mjs`、`audit-math-computation-sensitivity.mjs`、
-  `helpers/math-computation-fake-seam.mjs`；套件 **11** 个：`audit-installer-compat`、
-  `audit-installer-policy`、`audit-persona-surface`、`audit-preset-rows`、`e2e-v5-round2`、
-  `formal-verify-v2`、`formal-verify-v3`、`formal-verify-v4`、`formal-verify-v5`、`prompt-v5-integrity`、
-  `math-computation-shared`。
-- **仅仓库（不发）**：其余 **27** 个套件（v2/v3/v4 的 e2e、`selfdrive-v3`/`v4`、v2/v3 修复探针、
-  `math-computation-v2|v3|v4|v5`、`audit-fuzz-helpers` 之外的若干 `audit-*`……）与 7 个脚本（`audit-fuzz-helpers`、
-  `audit-registration`、`audit-roundtrip-idempotence`、`audit-tool-exec`、
-  `audit-v3-registration-parity`、`selfdrive-v3`、`selfdrive-v4`）。
-- 因此**完整门禁只能在开发检出里跑**；发布物里的子集是"用户可自查"的一部分，不是全部证据。
-  （`audit-fuzz-helpers.mjs` 在 2.3.13 时曾随包发布；现在不在 `files` 里。）
-
-## 2. 基线（本机：4 核 / Windows，实测）
-
-> **最后一次复核：`167b52d`**。表中"串行/并行"是**该次复核**的实测值：套件行在**重测前**视为"上次复核值"，引用前请重测或写明复核点；**变异族行**一律引用族自己打印的 `TOTAL WALL TIME` 行（不估算、不跨运行拼接）。这与 §1.1/runner 计数由 `--counts` 派生的口径一致。
-
-| 脚本 | 串行（sum） | 并行（wall） | 实测输出 |
-|---|---|---|---|
-| `tests/run-tests.mjs`（**101 项作业**（job count）= 44 套件 + 57 探针/变体；**由 `--counts` 派生**） | ≈ 424 s（历史基线） | **≈ 121 s**（历史基线；当前实测墙钟 ≈ 200 s，并发 4） | `TOTAL 101  PASS 101  FAIL 0  (suites 44 · probes 57)`；实测 `wall 120.7s · sum 424.2s`，关键路径 = `e2e-v4-fixes`（≈ 98 s） |
-| `tests/audit-formal-sensitivity.mjs`（49 探针，自带并发 4；v2 12 / v3 12 / v4 12 / v5 13） | ≈ 1035 s | **260.7 s**（实测，x3.97） | 关键路径 = v2/v3 的 `require` 探针（各 ≈75 s）；全 49 条按预期变红、0 问题 |
-| `tests/audit-v5-sensitivity.mjs`（39 探针，串行） | ≈ 101 s | — | 每条 = 一次被测套件重跑 |
-| `tests/audit-persona-sensitivity.mjs`（16 探针） | ≈ 4.4 s | — | 本身很快，不需要并行 |
-| `tests/audit-prompt-invariants.mjs`（157 条） | ≈ 1.9 s | — | 静态 |
-| `tests/audit-prompt-invariants.mjs --self-probe`（5 探针） | ≈ 7.4 s | — | 每个探针 = 一次自我重跑 |
-| `tests/audit-spec-traceability.mjs`（94 条） | ≈ 0.2 s | — | 静态 |
-| `tests/audit-v5-integrity.mjs` | ≈ 0.6 s | — | 静态审计（含扫描器自检） |
-| `tests/audit-registration.mjs`（4 个预设各一次） | ≈ 1.0 s | — | 裸跑只查 v3，所以 runner 跑四个变体 |
-| `tests/audit-v3-registration-parity.mjs`（+ `--self-probe`） | ≈ 0.3 s | — | 自探针**成功 = exit 1**（变异后守卫必须变红） |
-| `tests/prompt-v5-integrity.test.mjs` | ≈ 2.2 s | — | 虚拟时钟下生成 v5 语料（语料字节稳定；**stdout 里的会议成员顺序仍是运行间随机的**，只有落盘语料是逐字节确定的） |
-| `tests/e2e-v5-round2.test.mjs` | **≈ 16.3 s**（`167b52d` 实测，ALL GREEN；**断言条数不写在这里** —— 它随轮次变化，跑一次即知） | — | v5 e2e：邮箱/唤醒、轮次计数（§[47] 失败唤醒仍 pending、§[51] 重建后仍 `轮次 2`）、预置快照不被覆盖、命名研究所、失败轮次等；**早先此处记 ≈3.2 s 是旧口径**，正文小节也已随轮次更新 |
-| `tests/v5-institute-fixes.mutants.mjs`（**变异族**） | — | **族自报 `TOTAL WALL TIME` ≈300 s**（本轮 298959 ms；复核方 299649 / 295216 ms —— ~1.5% 机器差异，**不要合成单点数字**） | 11/11 族具名变红、`hangs=[]`、`skipped=[]`、`ALL MUTANTS RED AS REQUIRED`；900 s 覆盖（见 `docs/AUDIT-CHECKLIST.md` 的跑测超时行） |
-| `tests/host-failure-paths.test.mjs` | ≈ 6.3 s | — | 真实宿主的失败路径（`kind:'error'`、`/v4 set` 键校验、失败轮次不算进展） |
-| `tests/v4-mailbox-stall.test.mjs` | ≈ 7.1 s | — | `sendMessage` 拒绝后必须重投并唤醒（control + treatment 各一个 host） |
-| `tests/v2-fix-probes.test.mjs` | ≈ 8.6 s | — | v2 的 flat 等权均值 / ≥2 名验证者 / runShell 失败分支（26 条） |
-| `tests/v2-path-escape.test.mjs` | ≈ 2.2 s | — | 验证日志路径逃逸（7 条） |
-| `tests/v2-tool-cap.test.mjs` | ≈ 0.4 s | — | 能力表来自真实组合、*MaxToolCalls 只是提示（10 条） |
-| `tests/math-computation-v2.test.mjs` | ≈ 1.7 s | — | v2 接线：六参数/双注册层/回执/归档→编辑→重跑/跨会话隔离（含 mutant 说明在文件头） |
-| `tests/math-computation-v3.test.mjs` | ≈ 1.7 s | — | v3 同上（dual-layer + `TOOL_DESC` 描述 parity） |
-| `tests/math-computation-v4.test.mjs` | ≈ 2.5 s | — | v4：每会话一个模块实例 + 隔离断言 + `vibe_v4_set` 闭集 + 单点注册 |
-| `tests/math-computation-v5.test.mjs` | ≈ 1.4 s | — | v5：闭集 `vibe_v5_set`、研究所根回执、会话隔离（7 个 mutant） |
-| `tests/math-computation-shared.test.mjs` | ≈ 0.1 s | — | 共享模块契约（参数/失败码/argv/回执/归档/并发/override/路径守卫），走假 subprocess seam |
-| `tests/audit-math-computation-parity.mjs` | ≈ 0.1 s | — | 四份副本字节一致 + canonical 一致 + 两条安装线 + 描述符不变式（44 条） |
-| `tests/audit-math-computation-contract.mjs` | ≈ 0.2 s | — | 跨预设接线（含 set-schema **属性级**检查与 defaults 漂移检查） |
-| `tests/audit-math-computation-sensitivity.mjs` | ≈ 25 s | — | 21 个模块级变异，每条都要求具名断言变红（控制组必须绿） |
-
-> 上表 `run-tests` 的 `≈424 s / ≈121 s` 两列是 **当时的门禁规模**（44 个套件、21 个探针/变体） 时的实测（2026 年 math_computation
-> P1/P2a + 审计修复轮之后）。`audit-formal-sensitivity`（49 探针，实测 wall 260.7 s）与 `e2e-v4-fixes`（≈ 98 s）
-> 是两条最长的独立路径；两者都不在 `run-tests` 的默认集合里时，整轮 wall 由 `e2e-v4-fixes` 决定。
-> 数字**形状**（`TOTAL <n> … suites <s> · probes <p>`；具体值以 runner 每次运行的输出为准，本文件**不复述**）——本文件里出现的每个 `TOTAL <n>` 都由 `tests/audit-readme-counts.mjs` 与 `--counts` 对账（历史数字只出现在冻结的 `docs/release-notes/**` 里，按名排除）。
-
-单套件耗时（并行时的关键路径按此排序）：
-
-| 套件 | 耗时 | 备注 |
-|---|---|---|
-| `e2e-v4-fixes.test.mjs` | **≈ 104 s** | 9 个用例是**轮次采样**型（如 T13 采样 400 轮、T19/T25 多轮）；时间 ≈ 轮数 × 框架自身的 40 ms 计时粒度 |
-| `formal-verify-v2.test.mjs` | **≈ 43 s** | 曾为 186 s：见 §3 |
-| `e2e-v3.test.mjs` | ≈ 21 s | |
-| `e2e-regression.test.mjs` | ≈ 14 s | |
-| `formal-verify-v3.test.mjs` | ≈ 13 s | |
-| `e2e-business.test.mjs` / `e2e-d9-d13.test.mjs` | ≈ 13 s | |
-| 其余套件 | ≤ 10 s | 其中绝大多数 < 2 s |
-
-> 优化前：全量回归 ≈ 5.5 min（串行，`formal-verify-v2` 单独 186 s）；
-> 探针脚本 ≈ **38 min**（49 条串行，其中 12 条 × `formal-verify-v2` 162 s）。
-> 现在：**一套 `node tests/run-tests.mjs` ≈ 3.5 min 覆盖套件 + 探针**（探针单独跑仍是 ≈2.6 min）。
-
-## 3. 已经做过的优化（别再重复踩）
-
-1. **v2 套件 186 s → 32 s**（5.8×，断言数不变 261）：
-   - 插件用 `setInterval(..., 1000)` 轮询调度器，套件的每次 `tick()` 都得等满 1 秒；
-     套件现在**只把 `setInterval` 快进到 25 ms**（自己的 `sleep` 用 `setTimeout`，不受影响），
-     插件内部"该不该 tick"仍按真实 200 ms 下限判断，**生产代码零改动**；
-   - `verifyWithDebate` 的 16 次循环**从不提前退出**（判据是 `autoDone` 之类永远不会发生的条件），
-     于是每次调用都烧满 16×1.3 s ≈ 21 s。现在按"连续 3 轮没有新 followup"提前退出。
-2. **v4-fixes 的 12 个轮询循环加了"安静即停"**（105 s → 98 s）：原判据
-   `autoDone || running===false` 对活着的 run 永远不成立，循环只是空转；
-   现在连续 100 次无待答 followup 就停（`V4_IDLE_POLLS` 可调）。
-   **再往下压就要砍采样深度了**——那 9 个慢用例（T13/T19/T22/T23/T25/T27/T2/T9/T20）是在
-   观察"多轮之后某个指令**没有**泄漏/重复"，轮数是它们的不变式本体，不要再动。
-3. **两个 runner 并行**（Round A）：探针 38 min → 2.6 min（sum 612 s，wall 154.6 s，x3.96）；
-   全量回归 5.5 min → 1.9 min（sum 221.5 s，wall 111.5 s，x1.99）。
-4. **虚拟时钟**（`prompt-v5-integrity.test.mjs`）：v5 研究所由 `ctx.timeout` + `Date.now()`
-   驱动，真实时钟下"哪个成员被心跳/会议唤醒"取决于负载与毫秒差 → **随包语料每跑一次都变**（无法 diff，
-   真实缺陷会被淹没）。套件现在把 `ctx.timeout` 接到**虚拟时钟**、`sleep(n)` 推进虚拟时间：
-   套件 **7–9 s → 1.7 s**，且语料连续 6 次运行**字节一致**。语料写入端另加**全序排序**
-   （kind → owner → prompt），使文件成为"记录集合"的纯函数——只按 kind 排序时，同 kind 内仍会随
-   异步 drain 顺序变化（真实事故：两条会议提示词顺序互换）。
-   > 想给别的套件套用同一手法前请注意：若套件的等待助手用 `Date.now()` 做**超时判据**、又用
-   > `setInterval` 轮询（例如 `e2e-v4-fixes.test.mjs` 的 `waitFor`），冻结时钟会让判据永不超时；
-   > 那种情况必须连**轮询定时器**一起虚拟化，不能只改 `sleep`。
-5. **语料里的随机 id 也要归一化**（Round B，`formal-verify-v4.test.mjs`）：v4 的
-   `propose_task` 用 `Math.random` 造 `t-<8 位 hex>`，语料把 `[YOU CLAIMED TASK t-…]` 逐字写盘，
-   于是**每次跑测试都会改写随包语料**（`git status` 永远有 `prompt-corpus-v4/*`，且违反
-   `AUDIT-CHECKLIST` §2.4"连续两次哈希相同"）。`scrub()` 现在把它归一化成 `<TASKID>`，并断言
-   "语料里既没有裸 id、也真的有 `<TASKID>`"。连续两次运行哈希相同（`d3381886…` / `e6c4e445…`）。
-
-## 4. 并行安全（为什么可以并发）
-
-- 每个套件/探针都自建 `mkdtempSync` 工作区，互不共享状态；
-- **会写语料的套件必须给不同的语料目录**：`V2_CORPUS_DIR` / `V3_CORPUS_DIR` / `V4_CORPUS_DIR` /
-  `V5_CORPUS_DIR`。探针 runner 为**每个探针**分配独立目录，否则同一套件的并发实例会互相覆盖语料；
-- `audit-v5-sensitivity.mjs` 现在**自己**把 `V5_CORPUS_DIR` 指向临时目录：被变异的插件绝不能把
-  自己的提示词倒进随包语料；
-- `audit-persona-sensitivity.mjs` 用 `PERSONA_ROOT` 指向变异副本，且在覆盖模式下**不写**语料；
-- `audit-formal-sensitivity.mjs` 同样给每个探针独立的 `V{2,3,4,5}_CORPUS_DIR`；
-- `audit-prompt-invariants.mjs --self-probe` 用 `PROMPT_INVARIANTS_MUTATE`（JSON `[rel, from, to]`）
-  在**内存里**变异一个文件并自我重跑，**不碰磁盘**，因此可与任何东西并发；
-  变异串里不要用 NUL 分隔（环境变量不允许 NUL 字节）。
-
-## 5. 策略建议（按目的选最小代价的组合）
-
-| 目的 | 跑什么 | 预期 |
-|---|---|---|
-| 改了某个架构的插件 | `node tests/run-tests.mjs --only <vN>` + `node tests/audit-formal-sensitivity.mjs --only=vN` | 30 s – 3.5 min |
-| 改了提示词/人设 | `node tests/run-tests.mjs --only persona --only prompt` + `node tests/audit-persona-sensitivity.mjs` | ≈ 20 s |
-| **改了任何工具的参数 schema / 参数处理** | `node tests/run-tests.mjs --only audit-prompt-invariants --only formal` | ≈ 60 s（v2 套件占大头） |
-| 改了 `tests/` 下的 runner/守卫 | `node tests/run-tests.mjs`（**必须**：它现在同时跑套件与探针，任何一条守卫变红都会让门禁失败） | **≈ 3.5 min** |
-| 只想快速看提示词/文档有没有漂移 | `node tests/audit-prompt-invariants.mjs && node tests/audit-spec-traceability.mjs` | **< 3 s** |
-| 只想知道"快不快" | `node tests/run-tests.mjs --json` | 读 `wallSeconds` / `slowest` |
-
-**每次跑完都要看那几行 timing**：如果某个套件突然比基线慢很多，先怀疑新增的固定等待，
-再怀疑它是否在等一个永远不会发生的条件（这正是 v2 套件 186 s 的成因）。
+# 测试与脚本耗时基线（决定每次跑什么、怎么跑）
+
+> **为什么要写下来**：这套仓库的测试耗时极不均匀（一个套件 100 s，大多数不到 2 s；探针脚本要
+> 把同一套件跑十几遍）。不看数据就会犯两种错：要么每次都全量顺序跑（浪费 30 分钟），要么为了
+> 省时间去砍测例（降低覆盖）。**先看基线，再选策略**；每次跑完把实测时间跟本表对一下，偏差大
+> 就更新本表。
+
+## 1. 怎么跑（并行是默认）
+
+```bash
+node tests/run-tests.mjs                     # 全部套件 + 全部探针（tests/ 下每个 .mjs），并行（并发 = min(4, CPU 核数)；命令都从**仓库根**执行）
+node tests/run-tests.mjs --only formal       # 只跑名字含 formal 的项（套件与探针一起筛）
+node tests/run-tests.mjs --concurrency=6     # 手动指定并发
+node tests/run-tests.mjs --json              # 机器可读汇总（含 skippedNeedsArgs / devCheckout）
+```
+
+`run-tests.mjs` 的收集规则（Round B 起）：`tests/` 下**每个** `.mjs` 都会被跑——
+
+- `*.test.mjs` 是**套件**；其余 `.mjs` 是**探针/审计**（灵敏度变异、注册面、自驱动守卫）；
+- 只有登记在 runner 的 `NEEDS_ARGS` 里的脚本才会被跳过（当前只有 `audit-tool-exec.mjs`：它必须带
+  `<preset-js> <tool-name>` 才能跑）。跳过项**每次运行都会打印出来**；在开发检出（存在 `.git`）里
+  该登记失效会**直接报错退出**，所以改名不可能悄悄把一条守卫踢出发布门禁；
+- 需要参数的变体登记在 `VARIANTS`：`audit-registration.mjs` 四个预设各跑一次（裸跑只查 v3）、
+  `audit-prompt-invariants.mjs --self-probe`、以及 `audit-v3-registration-parity.mjs --self-probe`
+  （这条**成功 = 退出码 1**：它注入真实变异并要求守卫变红，runner 用 `expectExit` 表达）。
+
+### 1.1 随包发布 vs 仅仓库（`npm pack --dry-run --json`）
+
+`package.json` 的 `files` 只发 `tests/` 的一个**子集**（发布物共 **119** 个文件，其中 `tests/` **23** 项），
+所以安装用户跑 `node tests/run-tests.mjs` 得到的是子集的结果——runner 会把缺失的跳过项打印出来，
+不会静默少跑：
+
+- **随包（23 项）**：`run-tests.mjs`、`audit-formal-sensitivity.mjs`、`audit-persona-sensitivity.mjs`、
+  `audit-prompt-invariants.mjs`、`audit-spec-traceability.mjs`、`audit-v5-integrity.mjs`、
+  `audit-v5-sensitivity.mjs`、`selfdrive-v5.mjs`、`audit-math-computation-parity.mjs`、
+  `audit-math-computation-contract.mjs`、`audit-math-computation-sensitivity.mjs`、
+  `helpers/math-computation-fake-seam.mjs`；套件 **11** 个：`audit-installer-compat`、
+  `audit-installer-policy`、`audit-persona-surface`、`audit-preset-rows`、`e2e-v5-round2`、
+  `formal-verify-v2`、`formal-verify-v3`、`formal-verify-v4`、`formal-verify-v5`、`prompt-v5-integrity`、
+  `math-computation-shared`。
+- **仅仓库（不发）**：其余 **27** 个套件（v2/v3/v4 的 e2e、`selfdrive-v3`/`v4`、v2/v3 修复探针、
+  `math-computation-v2|v3|v4|v5`、`audit-fuzz-helpers` 之外的若干 `audit-*`……）与 7 个脚本（`audit-fuzz-helpers`、
+  `audit-registration`、`audit-roundtrip-idempotence`、`audit-tool-exec`、
+  `audit-v3-registration-parity`、`selfdrive-v3`、`selfdrive-v4`）。
+- 因此**完整门禁只能在开发检出里跑**；发布物里的子集是"用户可自查"的一部分，不是全部证据。
+  （`audit-fuzz-helpers.mjs` 在 2.3.13 时曾随包发布；现在不在 `files` 里。）
+
+## 2. 基线（本机：4 核 / Windows，实测）
+
+> **最后一次复核：`167b52d`**。表中"串行/并行"是**该次复核**的实测值：套件行在**重测前**视为"上次复核值"，引用前请重测或写明复核点；**变异族行**一律引用族自己打印的 `TOTAL WALL TIME` 行（不估算、不跨运行拼接）。这与 §1.1/runner 计数由 `--counts` 派生的口径一致。
+
+| 脚本 | 串行（sum） | 并行（wall） | 实测输出 |
+|---|---|---|---|
+| `tests/run-tests.mjs`（**105 项作业**（job count）= 44 套件 + 61 探针/变体；**由 `--counts` 派生**） | ≈ 424 s（历史基线） | **≈ 121 s**（历史基线；当前实测墙钟 ≈ 200 s，并发 4） | `TOTAL 105  PASS 105  FAIL 0  (suites 44 · probes 61)`；实测 `wall 120.7s · sum 424.2s`，关键路径 = `e2e-v4-fixes`（≈ 98 s） |
+| `tests/audit-formal-sensitivity.mjs`（49 探针，自带并发 4；v2 12 / v3 12 / v4 12 / v5 13） | ≈ 1035 s | **260.7 s**（实测，x3.97） | 关键路径 = v2/v3 的 `require` 探针（各 ≈75 s）；全 49 条按预期变红、0 问题 |
+| `tests/audit-v5-sensitivity.mjs`（39 探针，串行） | ≈ 101 s | — | 每条 = 一次被测套件重跑 |
+| `tests/audit-persona-sensitivity.mjs`（16 探针） | ≈ 4.4 s | — | 本身很快，不需要并行 |
+| `tests/audit-prompt-invariants.mjs`（157 条） | ≈ 1.9 s | — | 静态 |
+| `tests/audit-prompt-invariants.mjs --self-probe`（5 探针） | ≈ 7.4 s | — | 每个探针 = 一次自我重跑 |
+| `tests/audit-spec-traceability.mjs`（94 条） | ≈ 0.2 s | — | 静态 |
+| `tests/audit-v5-integrity.mjs` | ≈ 0.6 s | — | 静态审计（含扫描器自检） |
+| `tests/audit-registration.mjs`（4 个预设各一次） | ≈ 1.0 s | — | 裸跑只查 v3，所以 runner 跑四个变体 |
+| `tests/audit-v3-registration-parity.mjs`（+ `--self-probe`） | ≈ 0.3 s | — | 自探针**成功 = exit 1**（变异后守卫必须变红） |
+| `tests/prompt-v5-integrity.test.mjs` | ≈ 2.2 s | — | 虚拟时钟下生成 v5 语料（语料字节稳定；**stdout 里的会议成员顺序仍是运行间随机的**，只有落盘语料是逐字节确定的） |
+| `tests/e2e-v5-round2.test.mjs` | **≈ 16.3 s**（`167b52d` 实测，ALL GREEN；**断言条数不写在这里** —— 它随轮次变化，跑一次即知） | — | v5 e2e：邮箱/唤醒、轮次计数（§[47] 失败唤醒仍 pending、§[51] 重建后仍 `轮次 2`）、预置快照不被覆盖、命名研究所、失败轮次等；**早先此处记 ≈3.2 s 是旧口径**，正文小节也已随轮次更新 |
+| `tests/audit-engine-faces.mjs`（**环境感知**：存在才跑，缺席 SKIP） | — | **≈ 15 s**（本机三面齐全：Lean 真编译 + 数值真跑 + LaTeX 起点） | 引擎缺席时打印 `SKIP: no <engine> on this machine (<reason>)`，**不判红**；三面齐全时 13/0/0 |
+| `tests/v5-institute-fixes.mutants.mjs`（**变异族**） | — | **族自报 `TOTAL WALL TIME` ≈300 s**（本轮 298959 ms；复核方 299649 / 295216 ms —— ~1.5% 机器差异，**不要合成单点数字**） | 11/11 族具名变红、`hangs=[]`、`skipped=[]`、`ALL MUTANTS RED AS REQUIRED`；900 s 覆盖（见 `docs/AUDIT-CHECKLIST.md` 的跑测超时行） |
+| `tests/host-failure-paths.test.mjs` | ≈ 6.3 s | — | 真实宿主的失败路径（`kind:'error'`、`/v4 set` 键校验、失败轮次不算进展） |
+| `tests/v4-mailbox-stall.test.mjs` | ≈ 7.1 s | — | `sendMessage` 拒绝后必须重投并唤醒（control + treatment 各一个 host） |
+| `tests/v2-fix-probes.test.mjs` | ≈ 8.6 s | — | v2 的 flat 等权均值 / ≥2 名验证者 / runShell 失败分支（26 条） |
+| `tests/v2-path-escape.test.mjs` | ≈ 2.2 s | — | 验证日志路径逃逸（7 条） |
+| `tests/v2-tool-cap.test.mjs` | ≈ 0.4 s | — | 能力表来自真实组合、*MaxToolCalls 只是提示（10 条） |
+| `tests/math-computation-v2.test.mjs` | ≈ 1.7 s | — | v2 接线：六参数/双注册层/回执/归档→编辑→重跑/跨会话隔离（含 mutant 说明在文件头） |
+| `tests/math-computation-v3.test.mjs` | ≈ 1.7 s | — | v3 同上（dual-layer + `TOOL_DESC` 描述 parity） |
+| `tests/math-computation-v4.test.mjs` | ≈ 2.5 s | — | v4：每会话一个模块实例 + 隔离断言 + `vibe_v4_set` 闭集 + 单点注册 |
+| `tests/math-computation-v5.test.mjs` | ≈ 1.4 s | — | v5：闭集 `vibe_v5_set`、研究所根回执、会话隔离（7 个 mutant） |
+| `tests/math-computation-shared.test.mjs` | ≈ 0.1 s | — | 共享模块契约（参数/失败码/argv/回执/归档/并发/override/路径守卫），走假 subprocess seam |
+| `tests/audit-math-computation-parity.mjs` | ≈ 0.1 s | — | 四份副本字节一致 + canonical 一致 + 两条安装线 + 描述符不变式（44 条） |
+| `tests/audit-math-computation-contract.mjs` | ≈ 0.2 s | — | 跨预设接线（含 set-schema **属性级**检查与 defaults 漂移检查） |
+| `tests/audit-math-computation-sensitivity.mjs` | ≈ 25 s | — | 21 个模块级变异，每条都要求具名断言变红（控制组必须绿） |
+
+> 上表 `run-tests` 的 `≈424 s / ≈121 s` 两列是 **当时的门禁规模**（44 个套件、21 个探针/变体） 时的实测（2026 年 math_computation
+> P1/P2a + 审计修复轮之后）。`audit-formal-sensitivity`（49 探针，实测 wall 260.7 s）与 `e2e-v4-fixes`（≈ 98 s）
+> 是两条最长的独立路径；两者都不在 `run-tests` 的默认集合里时，整轮 wall 由 `e2e-v4-fixes` 决定。
+> 数字**形状**（`TOTAL <n> … suites <s> · probes <p>`；具体值以 runner 每次运行的输出为准，本文件**不复述**）——本文件里出现的每个 `TOTAL <n>` 都由 `tests/audit-readme-counts.mjs` 与 `--counts` 对账（历史数字只出现在冻结的 `docs/release-notes/**` 里，按名排除）。
+
+单套件耗时（并行时的关键路径按此排序）：
+
+| 套件 | 耗时 | 备注 |
+|---|---|---|
+| `e2e-v4-fixes.test.mjs` | **≈ 104 s** | 9 个用例是**轮次采样**型（如 T13 采样 400 轮、T19/T25 多轮）；时间 ≈ 轮数 × 框架自身的 40 ms 计时粒度 |
+| `formal-verify-v2.test.mjs` | **≈ 43 s** | 曾为 186 s：见 §3 |
+| `e2e-v3.test.mjs` | ≈ 21 s | |
+| `e2e-regression.test.mjs` | ≈ 14 s | |
+| `formal-verify-v3.test.mjs` | ≈ 13 s | |
+| `e2e-business.test.mjs` / `e2e-d9-d13.test.mjs` | ≈ 13 s | |
+| 其余套件 | ≤ 10 s | 其中绝大多数 < 2 s |
+
+> 优化前：全量回归 ≈ 5.5 min（串行，`formal-verify-v2` 单独 186 s）；
+> 探针脚本 ≈ **38 min**（49 条串行，其中 12 条 × `formal-verify-v2` 162 s）。
+> 现在：**一套 `node tests/run-tests.mjs` ≈ 3.5 min 覆盖套件 + 探针**（探针单独跑仍是 ≈2.6 min）。
+
+## 3. 已经做过的优化（别再重复踩）
+
+1. **v2 套件 186 s → 32 s**（5.8×，断言数不变 261）：
+   - 插件用 `setInterval(..., 1000)` 轮询调度器，套件的每次 `tick()` 都得等满 1 秒；
+     套件现在**只把 `setInterval` 快进到 25 ms**（自己的 `sleep` 用 `setTimeout`，不受影响），
+     插件内部"该不该 tick"仍按真实 200 ms 下限判断，**生产代码零改动**；
+   - `verifyWithDebate` 的 16 次循环**从不提前退出**（判据是 `autoDone` 之类永远不会发生的条件），
+     于是每次调用都烧满 16×1.3 s ≈ 21 s。现在按"连续 3 轮没有新 followup"提前退出。
+2. **v4-fixes 的 12 个轮询循环加了"安静即停"**（105 s → 98 s）：原判据
+   `autoDone || running===false` 对活着的 run 永远不成立，循环只是空转；
+   现在连续 100 次无待答 followup 就停（`V4_IDLE_POLLS` 可调）。
+   **再往下压就要砍采样深度了**——那 9 个慢用例（T13/T19/T22/T23/T25/T27/T2/T9/T20）是在
+   观察"多轮之后某个指令**没有**泄漏/重复"，轮数是它们的不变式本体，不要再动。
+3. **两个 runner 并行**（Round A）：探针 38 min → 2.6 min（sum 612 s，wall 154.6 s，x3.96）；
+   全量回归 5.5 min → 1.9 min（sum 221.5 s，wall 111.5 s，x1.99）。
+4. **虚拟时钟**（`prompt-v5-integrity.test.mjs`）：v5 研究所由 `ctx.timeout` + `Date.now()`
+   驱动，真实时钟下"哪个成员被心跳/会议唤醒"取决于负载与毫秒差 → **随包语料每跑一次都变**（无法 diff，
+   真实缺陷会被淹没）。套件现在把 `ctx.timeout` 接到**虚拟时钟**、`sleep(n)` 推进虚拟时间：
+   套件 **7–9 s → 1.7 s**，且语料连续 6 次运行**字节一致**。语料写入端另加**全序排序**
+   （kind → owner → prompt），使文件成为"记录集合"的纯函数——只按 kind 排序时，同 kind 内仍会随
+   异步 drain 顺序变化（真实事故：两条会议提示词顺序互换）。
+   > 想给别的套件套用同一手法前请注意：若套件的等待助手用 `Date.now()` 做**超时判据**、又用
+   > `setInterval` 轮询（例如 `e2e-v4-fixes.test.mjs` 的 `waitFor`），冻结时钟会让判据永不超时；
+   > 那种情况必须连**轮询定时器**一起虚拟化，不能只改 `sleep`。
+5. **语料里的随机 id 也要归一化**（Round B，`formal-verify-v4.test.mjs`）：v4 的
+   `propose_task` 用 `Math.random` 造 `t-<8 位 hex>`，语料把 `[YOU CLAIMED TASK t-…]` 逐字写盘，
+   于是**每次跑测试都会改写随包语料**（`git status` 永远有 `prompt-corpus-v4/*`，且违反
+   `AUDIT-CHECKLIST` §2.4"连续两次哈希相同"）。`scrub()` 现在把它归一化成 `<TASKID>`，并断言
+   "语料里既没有裸 id、也真的有 `<TASKID>`"。连续两次运行哈希相同（`d3381886…` / `e6c4e445…`）。
+
+## 4. 并行安全（为什么可以并发）
+
+- 每个套件/探针都自建 `mkdtempSync` 工作区，互不共享状态；
+- **会写语料的套件必须给不同的语料目录**：`V2_CORPUS_DIR` / `V3_CORPUS_DIR` / `V4_CORPUS_DIR` /
+  `V5_CORPUS_DIR`。探针 runner 为**每个探针**分配独立目录，否则同一套件的并发实例会互相覆盖语料；
+- `audit-v5-sensitivity.mjs` 现在**自己**把 `V5_CORPUS_DIR` 指向临时目录：被变异的插件绝不能把
+  自己的提示词倒进随包语料；
+- `audit-persona-sensitivity.mjs` 用 `PERSONA_ROOT` 指向变异副本，且在覆盖模式下**不写**语料；
+- `audit-formal-sensitivity.mjs` 同样给每个探针独立的 `V{2,3,4,5}_CORPUS_DIR`；
+- `audit-prompt-invariants.mjs --self-probe` 用 `PROMPT_INVARIANTS_MUTATE`（JSON `[rel, from, to]`）
+  在**内存里**变异一个文件并自我重跑，**不碰磁盘**，因此可与任何东西并发；
+  变异串里不要用 NUL 分隔（环境变量不允许 NUL 字节）。
+
+## 5. 策略建议（按目的选最小代价的组合）
+
+| 目的 | 跑什么 | 预期 |
+|---|---|---|
+| 改了某个架构的插件 | `node tests/run-tests.mjs --only <vN>` + `node tests/audit-formal-sensitivity.mjs --only=vN` | 30 s – 3.5 min |
+| 改了提示词/人设 | `node tests/run-tests.mjs --only persona --only prompt` + `node tests/audit-persona-sensitivity.mjs` | ≈ 20 s |
+| **改了任何工具的参数 schema / 参数处理** | `node tests/run-tests.mjs --only audit-prompt-invariants --only formal` | ≈ 60 s（v2 套件占大头） |
+| 改了 `tests/` 下的 runner/守卫 | `node tests/run-tests.mjs`（**必须**：它现在同时跑套件与探针，任何一条守卫变红都会让门禁失败） | **≈ 3.5 min** |
+| 只想快速看提示词/文档有没有漂移 | `node tests/audit-prompt-invariants.mjs && node tests/audit-spec-traceability.mjs` | **< 3 s** |
+| 只想知道"快不快" | `node tests/run-tests.mjs --json` | 读 `wallSeconds` / `slowest` |
+
+**每次跑完都要看那几行 timing**：如果某个套件突然比基线慢很多，先怀疑新增的固定等待，
+再怀疑它是否在等一个永远不会发生的条件（这正是 v2 套件 186 s 的成因）。