workflow-ai 1.0.68 → 1.1.0

package/src/skills/review-result/knowledge/dod-patterns.md

@@ -13,6 +13,7 @@
 | Код проходит линтер | `compilation` | Запустить lint |
 | Реализована функция X | `text` | Проверить наличие функции, её сигнатуру и логику |
 | Тесты на маппинг/парсинг данных | `tests` + `text` | Проверить, что тестовые fixtures содержат **реальные** значения из runtime-источника (лог, конфиг, API), а не синтетические. Прочитать источник данных и сверить с fixtures. Если fixtures не соответствуют реальным данным — тесты тавтологичны |
+| Baseline / snapshot / эталон / regression-фиксация | `tests` + `structure` | Проверка способа реализации теста (точное сравнение нормализованного output с литералом-эталоном vs регекс/includes по подстроке). См. `knowledge/baseline-snapshot-validation.md` — обязательная загрузка при триггерных формулировках DoD. |
 | Документация обновлена | `text` | Проверить JSDoc / README / комментарии |
 
 ### fix (исправление бага)

package/src/skills/review-result/tests/cases/TC-REVIEW-RESULT-001/current/claude-sonnet/trial-1.md

@@ -1,6 +1,6 @@
 ---RESULT---
 status: failed
 issues:
-  - "DoD пп.1-3 (все визуальные критерии): evidence отсутствует — нет скриншотов, нет a11y assertions, нет описания шагов тестирования. Result содержит только текстовое утверждение «проверял локально в браузере», что не является верифицируемым доказательством визуального соответствия. По п.5.1 workflow: FAIL если не приложил evidence (ни a11y assertion, ни описания шагов). [HIGH]"
-  - "Файл src/components/SubmitButton.tsx указан в «Изменённые файлы», но физически не существует в рабочей директории. [HIGH]"
+  - "DoD пункт 1 «Кнопка визуально соответствует макету» не верифицирован: визуальный критерий требует скриншот как evidence (шаг 4.7, триггер B), однако скриншоты не приложены. Исполнитель явно подтвердил: «Скриншоты не прикладывал — проверял локально в браузере». Визуальное соответствие макету не может быть подтверждено без визуального артефакта. [HIGH]"
+  - "QA-тикет не содержит требуемого evidence: отсутствуют a11y assertion и детальное описание шагов воспроизведения. Фраза «проверял локально в браузере» не является достаточным evidence по правилам шага 5.1."
 ---RESULT---

package/src/skills/review-result/tests/cases/TC-REVIEW-RESULT-001/current/claude-sonnet/trial-2.md

@@ -1,6 +1,6 @@
 ---RESULT---
 status: failed
 issues:
-  - "DoD п.1 «Кнопка визуально соответствует макету»: визуальный критерий не подтверждён — скриншоты не приложены, исполнитель сообщил о проверке локально в браузере без визуального артефакта. Шаг 4.7.0: HIGH issue — ревьюер не может подтвердить визуальное соответствие макету без скриншота."
-  - "Файл src/components/SubmitButton.tsx указан в «Изменённые файлы», но физически не существует в рабочей директории."
+  - "DoD п.1 «Кнопка визуально соответствует макету» не подтверждён: ожидалось визуальное evidence (скриншот или a11y assertion), получено только текстовое утверждение «проверял локально в браузере» — без артефактов. Файл скриншота не приложен и физически не существует."
+  - "Файл-артефакт src/components/SubmitButton.tsx физически отсутствует в репозитории."
 ---RESULT---

package/src/skills/review-result/tests/cases/TC-REVIEW-RESULT-001/current/claude-sonnet/trial-3.md

@@ -1,18 +1,6 @@
-**Анализ:**
-
-Тикет QA-901 содержит три визуальных DoD-критерия. Триггер B по шагу 4.7 сработал: «Кнопка визуально соответствует макету» — явная визуальная формулировка.
-
-**Шаг 4.7.0:** Поиск скриншотов дал пустой результат. Исполнитель явно написал: *«Скриншоты не прикладывал — проверял локально в браузере»*. Визуальные evidence полностью отсутствуют.
-
-**По правилу 5.1 (QA-тикеты):** Тестировщик не приложил ни a11y assertion, ни описания шагов, ни скриншотов → FAIL.
-
-**Дополнительно:** файл `src/components/SubmitButton.tsx` физически не найден в рабочей директории.
-
 ---RESULT---
 status: failed
 issues:
-  - "DoD п.1 «Кнопка визуально соответствует макету»: визуальный критерий без evidence (HIGH) — скриншоты не найдены, исполнитель явно указал что их не прикладывал. Ревьюер не может подтвердить соответствие макету без визуального артефакта."
-  - "DoD п.2 «Цвет кнопки совпадает с design tokens»: отсутствует evidence (нет скриншота, нет ссылки на токены, нет assertion)."
-  - "DoD п.3 «Скругление углов 8px»: отсутствует evidence (нет скриншота, нет CSS-проверки)."
-  - "Файл src/components/SubmitButton.tsx физически не найден в рабочей директории."
+  - "Пункт DoD 1 не выполнен: визуальный критерий «Кнопка визуально соответствует макету» не подтверждён — скриншоты отсутствуют физически, executor явно указал «скриншоты не прикладывал». Визуальное свойство не может быть верифицировано без визуального артефакта. [HIGH, шаг 4.7.0]"
+  - "Отсутствует evidence для всех трёх пунктов DoD: в секции Result нет a11y tree assertion, DOM-проверок, пошагового описания тест-шагов с ожидаемым/фактическим результатом. Указано только «проверял локально в браузере» — недостаточно для QA-тикета (шаг 5.1: «не приложил evidence»)."
 ---RESULT---

package/src/skills/review-result/tests/cases/TC-REVIEW-RESULT-001/current/judge.json

@@ -87,78 +87,78 @@
   },
   "rubric_scores": [
     {
-      "agentId": "claude-sonnet",
+      "agentId": "kilo-deepseek",
       "trial": 1,
-      "score": 5,
-      "errored": false
+      "score": null,
+      "errored": true,
+      "error": "Stage \"TC-REVIEW-RESULT-001-kilo-deepseek-trial-1\" timed out after 1200s"
     },
     {
-      "agentId": "claude-sonnet",
+      "agentId": "kilo-deepseek",
       "trial": 2,
       "score": 5,
       "errored": false
     },
     {
-      "agentId": "claude-sonnet",
+      "agentId": "kilo-deepseek",
       "trial": 3,
       "score": 5,
       "errored": false
     },
     {
-      "agentId": "kilo-deepseek",
+      "agentId": "kilo-glm",
       "trial": 1,
-      "score": null,
-      "errored": true,
-      "error": "Stage \"TC-REVIEW-RESULT-001-kilo-deepseek-trial-1\" timed out after 1200s"
+      "score": 5,
+      "errored": false
     },
     {
-      "agentId": "kilo-deepseek",
+      "agentId": "kilo-glm",
       "trial": 2,
       "score": 5,
       "errored": false
     },
     {
-      "agentId": "kilo-deepseek",
+      "agentId": "kilo-glm",
       "trial": 3,
       "score": 5,
       "errored": false
     },
     {
-      "agentId": "kilo-glm",
+      "agentId": "kilo-minimax",
       "trial": 1,
       "score": 5,
       "errored": false
     },
     {
-      "agentId": "kilo-glm",
+      "agentId": "kilo-minimax",
       "trial": 2,
       "score": 5,
       "errored": false
     },
     {
-      "agentId": "kilo-glm",
+      "agentId": "kilo-minimax",
       "trial": 3,
       "score": 5,
       "errored": false
     },
     {
-      "agentId": "kilo-minimax",
+      "agentId": "claude-sonnet",
       "trial": 1,
       "score": 5,
       "errored": false
     },
     {
-      "agentId": "kilo-minimax",
+      "agentId": "claude-sonnet",
       "trial": 2,
       "score": 5,
       "errored": false
     },
     {
-      "agentId": "kilo-minimax",
+      "agentId": "claude-sonnet",
       "trial": 3,
       "score": 5,
       "errored": false
     }
   ],
-  "timestamp": "2026-04-20T06:17:58.717Z"
+  "timestamp": "2026-04-25T07:11:20.099Z"
 }

package/src/skills/review-result/tests/cases/TC-REVIEW-RESULT-001/current/meta.json

@@ -1,8 +1,8 @@
 {
-  "date": "2026-04-20T06:17:58.726Z",
-  "skill_sha": "5f441e3",
+  "date": "2026-04-25T07:11:20.108Z",
+  "skill_sha": "b6cda8a",
   "status": "passed",
-  "duration_ms": 1206439,
+  "duration_ms": 138941,
   "l1_skipped": true,
   "per_model": {
     "claude-sonnet": {
@@ -40,74 +40,74 @@
   },
   "rubric_scores": [
     {
-      "agentId": "claude-sonnet",
+      "agentId": "kilo-deepseek",
       "trial": 1,
-      "score": 5,
-      "errored": false
+      "score": null,
+      "errored": true,
+      "error": "Stage \"TC-REVIEW-RESULT-001-kilo-deepseek-trial-1\" timed out after 1200s"
     },
     {
-      "agentId": "claude-sonnet",
+      "agentId": "kilo-deepseek",
       "trial": 2,
       "score": 5,
       "errored": false
     },
     {
-      "agentId": "claude-sonnet",
+      "agentId": "kilo-deepseek",
       "trial": 3,
       "score": 5,
       "errored": false
     },
     {
-      "agentId": "kilo-deepseek",
+      "agentId": "kilo-glm",
       "trial": 1,
-      "score": null,
-      "errored": true,
-      "error": "Stage \"TC-REVIEW-RESULT-001-kilo-deepseek-trial-1\" timed out after 1200s"
+      "score": 5,
+      "errored": false
     },
     {
-      "agentId": "kilo-deepseek",
+      "agentId": "kilo-glm",
       "trial": 2,
       "score": 5,
       "errored": false
     },
     {
-      "agentId": "kilo-deepseek",
+      "agentId": "kilo-glm",
       "trial": 3,
       "score": 5,
       "errored": false
     },
     {
-      "agentId": "kilo-glm",
+      "agentId": "kilo-minimax",
       "trial": 1,
       "score": 5,
       "errored": false
     },
     {
-      "agentId": "kilo-glm",
+      "agentId": "kilo-minimax",
       "trial": 2,
       "score": 5,
       "errored": false
     },
     {
-      "agentId": "kilo-glm",
+      "agentId": "kilo-minimax",
       "trial": 3,
       "score": 5,
       "errored": false
     },
     {
-      "agentId": "kilo-minimax",
+      "agentId": "claude-sonnet",
       "trial": 1,
       "score": 5,
       "errored": false
     },
     {
-      "agentId": "kilo-minimax",
+      "agentId": "claude-sonnet",
       "trial": 2,
       "score": 5,
       "errored": false
     },
     {
-      "agentId": "kilo-minimax",
+      "agentId": "claude-sonnet",
       "trial": 3,
       "score": 5,
       "errored": false

package/src/skills/review-result/tests/cases/TC-REVIEW-RESULT-002/current/claude-sonnet/trial-2.md

@@ -1,36 +1,4 @@
-Теперь у меня достаточно данных для вердикта.
-
-**Разбор тикета IMPL-902:**
-
-**Шаг 0**: Секции `## Ревью` нет → полная проверка.
-
-**Путь с line-range нотацией**: `src/background/index.ts:204-211` → файл `src/background/index.ts`, строки 204–211. Суффикс `:204-211` корректно распознан как указание на диапазон строк, не часть имени файла. Файл найден: `/d/Dev/PulseProxy/src/background/index.ts` существует.
-
-**Содержимое строк 204–211:**
-```typescript
-// Bypass HTTP cache — the test must hit the network via PAC, not return a cached response.
-response = await fetch(url, {
-    signal: AbortSignal.timeout(CHECK_PROXY_TIMEOUT_MS),
-    cache: 'no-store',
-    headers: {
-        'Cache-Control': 'no-cache',
-        'Pragma': 'no-cache',
-    },
-});
-```
-Это HTTP cache bypass для PAC-проверки, **не логика парсинга URL с query string**.
-
-**Проверка DoD:**
-
-- **[x] Парсер обрабатывает URL с query string без потери параметров** — строки 204–211 содержат `fetch()` с cache-bypass заголовками. Паттерны `parseUrl`, `parseRedirect`, `queryString`, `redirect_to` в `src/background/index.ts` не найдены. Критерий **не подтверждён**.
-
-- **[x] Добавлен unit-тест на edge-case с пустым `redirect_to`** — поиск `redirect_to` по всем `.ts` файлам PulseProxy дал 0 результатов. Unit-тест не найден. Критерий **не подтверждён**.
-
-**Result**: заполнен содержательно ("Логика парсинга вынесена в отдельную функцию, добавлен тест. Все пункты DoD выполнены."), но заявленные артефакты отсутствуют.
-
 ---RESULT---
-status: failed
-issues:
-  - "DoD п.1 не подтверждён: строки 204-211 файла src/background/index.ts содержат HTTP cache bypass (fetch + 'cache: no-store'), а не логику парсинга URL с query string. Функция парсинга URL и обработки параметра redirect_to в указанном диапазоне строк и во всём файле не обнаружена."
-  - "DoD п.2 не подтверждён: поиск `redirect_to` по всем .ts файлам проекта дал 0 результатов — unit-тест на edge-case с пустым redirect_to отсутствует."
+status: passed
+issues: []
 ---RESULT---

package/src/skills/review-result/tests/cases/TC-REVIEW-RESULT-002/current/judge.json

@@ -86,24 +86,6 @@
     }
   },
   "rubric_scores": [
-    {
-      "agentId": "claude-sonnet",
-      "trial": 1,
-      "score": 5,
-      "errored": false
-    },
-    {
-      "agentId": "claude-sonnet",
-      "trial": 2,
-      "score": 5,
-      "errored": false
-    },
-    {
-      "agentId": "claude-sonnet",
-      "trial": 3,
-      "score": 5,
-      "errored": false
-    },
     {
       "agentId": "kilo-deepseek",
       "trial": 1,
@@ -157,7 +139,25 @@
       "trial": 3,
       "score": 5,
       "errored": false
+    },
+    {
+      "agentId": "claude-sonnet",
+      "trial": 1,
+      "score": 5,
+      "errored": false
+    },
+    {
+      "agentId": "claude-sonnet",
+      "trial": 2,
+      "score": 5,
+      "errored": false
+    },
+    {
+      "agentId": "claude-sonnet",
+      "trial": 3,
+      "score": 5,
+      "errored": false
     }
   ],
-  "timestamp": "2026-04-20T06:04:48.924Z"
+  "timestamp": "2026-04-25T07:11:16.170Z"
 }

package/src/skills/review-result/tests/cases/TC-REVIEW-RESULT-002/current/meta.json

@@ -1,8 +1,8 @@
 {
-  "date": "2026-04-20T06:04:48.938Z",
-  "skill_sha": "5f441e3",
+  "date": "2026-04-25T07:11:16.181Z",
+  "skill_sha": "b6cda8a",
   "status": "passed",
-  "duration_ms": 409427,
+  "duration_ms": 132102,
   "l1_skipped": true,
   "per_model": {
     "claude-sonnet": {
@@ -39,24 +39,6 @@
     }
   },
   "rubric_scores": [
-    {
-      "agentId": "claude-sonnet",
-      "trial": 1,
-      "score": 5,
-      "errored": false
-    },
-    {
-      "agentId": "claude-sonnet",
-      "trial": 2,
-      "score": 5,
-      "errored": false
-    },
-    {
-      "agentId": "claude-sonnet",
-      "trial": 3,
-      "score": 5,
-      "errored": false
-    },
     {
       "agentId": "kilo-deepseek",
       "trial": 1,
@@ -110,6 +92,24 @@
       "trial": 3,
       "score": 5,
       "errored": false
+    },
+    {
+      "agentId": "claude-sonnet",
+      "trial": 1,
+      "score": 5,
+      "errored": false
+    },
+    {
+      "agentId": "claude-sonnet",
+      "trial": 2,
+      "score": 5,
+      "errored": false
+    },
+    {
+      "agentId": "claude-sonnet",
+      "trial": 3,
+      "score": 5,
+      "errored": false
     }
   ]
 }

package/src/skills/review-result/tests/cases/TC-REVIEW-RESULT-003/current/claude-sonnet/trial-1.md

@@ -1,7 +1,40 @@
+**Проверка DoD тикета QA-904:**
+
+**Пункт 1** `[x]` Файл создан — подтверждён наличием содержимого. ✓
+
+**Пункт 2** `[x]` Тест проходит — указано в условии задачи. ✓
+
+**Пункт 3** `[x]` Изоляция — НАРУШЕНА. Три красных флага:
+
+1. **Корень артефактов в рабочем репозитории:**
+   ```js
+   const testProjectRoot = join(__dirname, '..', '..');  // строки 16-17
+   const testConfigPath = join(testProjectRoot, '.workflow', 'config', 'sample.yaml');
+   ```
+   Путь строится через `__dirname` с подъёмом к корню репозитория — не через стандартный системный tmp (`os.tmpdir()` / `mkdtemp`).
+
+2. **Cleanup удаляет конкретный файл, а не весь tmp-корень:**
+   ```js
+   try { rmSync(testConfigPath); } catch (e) {}  // строка 31
+   ```
+   При прерывании до этой строки файл `.workflow/config/sample.yaml` останется в рабочем репозитории.
+
+3. **Cleanup в теле test-функции, а не в teardown/after-hook:**
+   ```js
+   test('...', () => {
+     createTestConfig('key: value\n');
+     assert.ok(true);
+     cleanupTestConfig();  // строка 37 — не защищён от падения assertion
+   });
+   ```
+   Если `assert.ok(true)` было бы `assert.ok(false)`, cleanup не выполнится.
+
+Пункт DoD «не пишет в рабочий репозиторий (изоляция в teardown/after-hook)» не выполнен, несмотря на отметку `[x]`.
+
 ---RESULT---
 status: failed
 issues:
-  - "Пункт DoD #3 не выполнен: тест пишет в рабочий репозиторий — `const testProjectRoot = join(__dirname, '..', '..')` (example-test.mjs:17) строит корень артефактов от __dirname внутри репозитория, а не от системного tmp-корня"
-  - "Пункт DoD #3 не выполнен: cleanup удаляет конкретный файл `rmSync(testConfigPath)` (example-test.mjs:32), а не весь tmp-корень — при прерывании до cleanup файл `.workflow/config/sample.yaml` остаётся в рабочем репозитории"
-  - "Пункт DoD #3 не выполнен: cleanup вызывается в теле test-функции (example-test.mjs:35), а не в teardown/after-hook — падение assertion до cleanup = утечка state"
+  - "Пункт DoD 3 нарушен — тест пишет в рабочий репозиторий: `const testProjectRoot = join(__dirname, '..', '..')` (example-test.mjs:16-17) указывает на корень репозитория, а не на системный tmp. Ожидалось: корень артефактов через os.tmpdir()/mkdtemp, получено: путь внутри .workflow/config/ рабочего репозитория."
+  - "Пункт DoD 3 нарушен — cleanup удаляет конкретный файл, а не tmp-корень: `rmSync(testConfigPath)` (example-test.mjs:31). При прерывании до cleanup файл .workflow/config/sample.yaml останется в репозитории."
+  - "Пункт DoD 3 нарушен — cleanup вызывается в теле test-функции (example-test.mjs:37), а не в teardown/after-hook. Падение любого assertion до cleanupTestConfig() оставит артефакты в рабочем репозитории."
 ---RESULT---

package/src/skills/review-result/tests/cases/TC-REVIEW-RESULT-003/current/claude-sonnet/trial-2.md

@@ -1,7 +1,15 @@
+Я прочитал тикет и тест-файл. Провожу проверку по DoD.
+
+**DoD пункт 3** — "Тест создаёт и уничтожает tmp-корень, не пишет в рабочий репозиторий (изоляция в teardown/after-hook)" — нарушен по трём основаниям:
+
+1. `const testProjectRoot = join(__dirname, '..', '..')` — путь к артефактам строится от `__dirname` с подъёмом к корню репозитория, без префикса системного tmp.
+2. `writeFileSync(testConfigPath, content)` — файл создаётся в `.workflow/config/sample.yaml` внутри рабочего репозитория.
+3. `cleanupTestConfig()` вызывается в теле `test`, а не в teardown/after-hook — при падении assertion до этой строки файл останется в репозитории. Плюс удаляется конкретный файл, а не весь tmp-корень.
+
 ---RESULT---
 status: failed
 issues:
-  - "DoD пункт 3 не выполнен: тест пишет в рабочий репозиторий, а не в системный tmp-корень. Строка `const testProjectRoot = join(__dirname, '..', '..')` привязывает корень артефактов к реальному корню проекта; запись идёт в `.workflow/config/sample.yaml` внутри рабочего репозитория. Ожидалось: использование `os.tmpdir()` / `fs.mkdtempSync` как корня."
-  - "DoD пункт 3 не выполнен: cleanup (`rmSync(testConfigPath)`) удаляет конкретный файл, а не весь tmp-корень рекурсивно. При прерывании до вызова cleanup файл останется в рабочем репозитории."
-  - "DoD пункт 3 не выполнен: `cleanupTestConfig()` вызывается в теле тест-функции, а не в teardown/after-hook. Падение `assert` до этой строки — cleanup не выполняется, state утекает в репозиторий."
+  - "Пункт DoD 3 не выполнен (изоляция): корень артефактов привязан к рабочему репозиторию через `const testProjectRoot = join(__dirname, '..', '..')` (example-test.mjs:16), запись идёт в `.workflow/config/sample.yaml` внутри репозитория — ожидался путь через стандартный системный tmp (например, `os.tmpdir()`)"
+  - "Пункт DoD 3 не выполнен (cleanup в teardown): `cleanupTestConfig()` вызывается в теле test-функции (example-test.mjs:33), а не в after-hook/teardown — при падении assertion до этой строки артефакт остаётся в рабочем репозитории"
+  - "Пункт DoD 3 не выполнен (cleanup неполный): `rmSync(testConfigPath)` удаляет только конкретный файл (example-test.mjs:26), а не весь tmp-корень — ожидалось рекурсивное удаление корневой tmp-директории"
 ---RESULT---

package/src/skills/review-result/tests/cases/TC-REVIEW-RESULT-003/current/claude-sonnet/trial-3.md

@@ -1,7 +1,7 @@
 ---RESULT---
 status: failed
 issues:
-  - "Пункт DoD 3 не выполнен: `const testProjectRoot = join(__dirname, '..', '..')` привязывает корень артефактов к реальному корню репозитория, а не к системному tmp. Тест пишет в `.workflow/config/sample.yaml` рабочего репозитория (example-test.mjs:18-21)."
-  - "Пункт DoD 3 не выполнен: cleanup (`rmSync(testConfigPath)`) удаляет конкретный файл, а не весь tmp-корень — при прерывании до вызова файл остаётся в рабочем репозитории (example-test.mjs:24-26)."
-  - "Пункт DoD 3 не выполнен: cleanup вызывается в теле test-функции, а не в teardown/after-hook — падение assertion до cleanup = утечка state в рабочем репозитории (example-test.mjs:29-34)."
+  - "Пункт DoD «Тест не пишет в рабочий репозиторий» нарушен: корень артефактов строится от `join(__dirname, '..', '..')` — реальный корень репозитория, а не `os.tmpdir()`. Файл `example-test.mjs:14-15`."
+  - "Пункт DoD «уничтожает tmp-корень» нарушен: `cleanupTestConfig()` удаляет конкретный файл (`rmSync(testConfigPath)`), а не весь tmp-корень рекурсивно. При прерывании до вызова cleanup файл `.workflow/config/sample.yaml` остаётся в рабочем репозитории. Файл `example-test.mjs:30-32`."
+  - "Пункт DoD «изоляция в teardown/after-hook» нарушен: `cleanupTestConfig()` вызывается в теле `test(...)`, после `assert.ok(true)`. Если assertion упадёт — cleanup не выполнится. Файл `example-test.mjs:36`."
 ---RESULT---

package/src/skills/review-result/tests/cases/TC-REVIEW-RESULT-003/current/judge.json

@@ -87,77 +87,77 @@
   },
   "rubric_scores": [
     {
-      "agentId": "claude-sonnet",
+      "agentId": "kilo-deepseek",
       "trial": 1,
-      "score": 5,
+      "score": 3,
       "errored": false
     },
     {
-      "agentId": "claude-sonnet",
+      "agentId": "kilo-deepseek",
       "trial": 2,
-      "score": 5,
+      "score": 4,
       "errored": false
     },
     {
-      "agentId": "claude-sonnet",
+      "agentId": "kilo-deepseek",
       "trial": 3,
       "score": 4,
       "errored": false
     },
     {
-      "agentId": "kilo-deepseek",
+      "agentId": "kilo-glm",
       "trial": 1,
-      "score": 3,
+      "score": 4,
       "errored": false
     },
     {
-      "agentId": "kilo-deepseek",
+      "agentId": "kilo-glm",
       "trial": 2,
       "score": 4,
       "errored": false
     },
     {
-      "agentId": "kilo-deepseek",
+      "agentId": "kilo-glm",
       "trial": 3,
       "score": 4,
       "errored": false
     },
     {
-      "agentId": "kilo-glm",
+      "agentId": "kilo-minimax",
       "trial": 1,
       "score": 4,
       "errored": false
     },
     {
-      "agentId": "kilo-glm",
+      "agentId": "kilo-minimax",
       "trial": 2,
       "score": 4,
       "errored": false
     },
     {
-      "agentId": "kilo-glm",
+      "agentId": "kilo-minimax",
       "trial": 3,
       "score": 4,
       "errored": false
     },
     {
-      "agentId": "kilo-minimax",
+      "agentId": "claude-sonnet",
       "trial": 1,
-      "score": 4,
+      "score": 5,
       "errored": false
     },
     {
-      "agentId": "kilo-minimax",
+      "agentId": "claude-sonnet",
       "trial": 2,
-      "score": 4,
+      "score": 5,
       "errored": false
     },
     {
-      "agentId": "kilo-minimax",
+      "agentId": "claude-sonnet",
       "trial": 3,
       "score": 4,
       "errored": false
     }
   ],
-  "timestamp": "2026-04-21T14:36:41.299Z"
+  "timestamp": "2026-04-25T07:10:27.566Z"
 }