leafliber · Oct 19, 2026 · Oct 10, 2026 · Oct 10, 2026 · Oct 10, 2026 · Oct 11, 2026
diff --git a/ARCHITECTURE.md b/ARCHITECTURE.md
diff --git a/README.md b/README.md
diff --git a/evals/reports/persona-pe-20261015.md b/evals/reports/persona-pe-20261015.md
diff --git a/evals/reports/persona-pe10-20261017.md b/evals/reports/persona-pe10-20261017.md
@@ -0,0 +1,61 @@
+# PE-10：persona 检查字段恢复与材料上限（2026-10-17）
+
+本轮按“先修再判”完成代码和假模型验证，未调用真实模型，未访问隐藏集，未进行质量判分。规划者提供的两次隐藏运行均因基础设施问题无效；本报告只使用其描述的运行现象，不追认旧运行。
+
+开始时 worktree 干净，分支和远端均为 `49b4aca1636a26d21b64940d9e0f2866c5f18306`。fetch 后本地主仓库 main 与 origin/main 均为 `77dec809020d14d3c835ac02d57f26595bd00431`；在本 worktree merge 为 `1daaccc1ec8812687fef4711c71b378580ec1be2`，未 rebase。合并后的 persona 维护测试按“生成、事实检查、程度比较”三次调用与 main 新增的独立 `persona_max_calls` 对齐；未修改其他会话占用的产品文件。
+
+## 两处修复
+
+字段无效的直接原因是原检查器把能定位到单句的结构损坏加入 `incomplete_checks`，评测运行器因此停止后续时间线。现在只重问该句一次，保留原提示词、完整句子及全部绑定来源，附格式错误说明；其他句子不重问。修正结果仍通过原有字段、来源、日期、范围和内容类型校验。首查或补查已出现的否定、虚构、违规与证据保护不能被重问后的正面意见覆盖。
+
+重问仍无效，或没有剩余阶段预算／请求大小额度时，控制器明确给出 `verdict_origin=conservative_rejection`，按原有修复／删除流程处理该句，绝不当作有依据，不再产生整轮 `incomplete_check`。原始响应、首次错误、重问输出、纠正失败及不利结论分别保留在尝试输出与 `invalid_sentence_checks`。整批缺句、句序无法对应等无法安全定位的损坏仍拒绝；网络／暂停／调用额度错误仍失败，不伪装成语义删句。
+
+耗时方面，旧分批只限制四个句子行、两个焦点，未限制完整绑定证据的大小；长背景会使“小批”仍很重。现在额外限制**序列化完整 messages（含系统提示词）的 UTF-8 大小为 32768 字节**。超限先二分句子行，再拆为单焦点；每个请求保留完整原句和绑定来源，不截断否定、日期或条件。单焦点仍超限则不发送，记录 `material_rejections` 并保守修复／删除该句，继续其他句子。所有发送路径都有最后的大小检查，包括补查、字段重问、JSON 语法修正、程度比较；不能拆分的程度或 JSON 修正请求超限会失败。
+
+单次检查调用仍最多 360 秒；初检和复查各有固定的 900 秒阶段截止时间，单窗口也用这一上限。单批超时可重试一次，首查、补查与字段重问共用这一次机会，程度比较也至多一次；重试不延长阶段截止时间。429、暂停、调用额度不足和其他错误不使用此重试。调用内 HTTP 重试与 JSON 语法修正仍共用单次截止时间，实际请求仍逐次计费、记账并遵守健康状态和维护停止信号。
+
+完整材料上限降低了单次输入的最坏情况，不能据此声称已经证明 GLM 的实际时延改善或消除了远端超时；真实验证待规划者通知。保守处理可能增加删句率，需要在正式公开运行中报告。正式评测对超时／429 的作废规则未改：即使产品内重试成功，原失败调用仍使真实评测整轮无效。
+
+## 质量规则与提示词
+
+未修改生成、依据／日期／范围保护、修复选择、发布与修订号复核规则。AST 对照确认 64 个已有模块函数未改，变化的已有模块函数仅分批及运行元数据；`_recover_sentences`、`_run` 等恢复与写回方法未改。评测模块只增加材料上限与重试次数元数据，未改计分与运行有效性算法。模型调用仍在事务外，默认仍全部人工确认。
+
+提示词文件未变，沿用：
+
+| 文件 | SHA-256 |
+| --- | --- |
+| persona_generate_v20.md | b25cc94c838114f97fdf65cf988f33414bd5a4e24799a5d3c0b2e53f2557774a |
+| persona_check_v33.md | 7e6c2d2728bfc7065ec4701e6d9a8fb511b1c2966e8386ad5577c5e3c1639b4b |
+| persona_degree_v1.md | da02babb637316959ae3d9d51e1d9490b7c78bc454906a07abec379dc11d7ed6 |
+
+## 验证
+
+新增 43 个参数化测试案例：41 个在 `tests/test_persona_check_resilience.py`，2 个在 persona 评测测试中。覆盖坏字段／成功纠正／仍无效、只重问坏句、保留不利结论（包括坏补查响应）、字节拆分及不可拆材料、JSON 修正大小保护、一次超时重试与阶段耗尽、其他错误不重试、格式重问不重置次数、GLM 流式网关假 HTTP 的调用记账、事务外调用与版本／记忆修订冲突，以及坏字段保守处理后后续检查点照常执行。
+
+首批回归在原实现上 **25 失败、5 通过**，修复后 **30 通过**；扩展后的检查恢复与评测集成测试 **90 通过**。旧测试同步更新故障重问的调用数、固定 900 秒阶段预算及逐句保守诊断，保留“不支持／不发布／不猜测归属”断言。完整红绿及中间夹具修正日志均保留。
+
+| 命令 | 结果 |
+| --- | --- |
+| Python 3.13.13：`uv run pytest` | 4570 passed，8 warnings，退出码 0，1205.92 秒 |
+| Python 3.12.12：`uv run --locked --isolated --python 3.12 pytest` | 4570 passed，8 warnings，退出码 0，1217.38 秒 |
+| `uv build --out-dir <材料目录>/build` | wheel 与 sdist 构建成功，退出码 0 |
+
+两版严格串行运行，隔离测试后 worktree 的 `.venv` 仍为 Python 3.13.13。警告来自依赖的转义及 TestClient 弃用提示。构建包中两份修改源码及三份在用提示词与工作区逐字节一致。
+
+学习与召回对照均使用同一 main 基线 `77dec809020d14d3c835ac02d57f26595bd00431`，以固定假模型／向量运行实际产品代码；脚本阻止 socket 网络访问，不读取模型配置，不是质量评测，也不重标语料。
+
+| 对照 | 范围 | 结果 |
+| --- | --- | --- |
+| 学习请求 | learning_v1—v5，116 段、272 批；156 批相关记忆非空 | messages、purpose、max_tokens 零差异 |
+| 召回返回 | 七份冻结公开集，228 查询 × 5 路径 = 1140 份完整返回 | 零差异；双方均无降级 |
+| 召回模型输入 | 216 次假判断、471 个向量输入 | 零差异 |
+
+召回五条路径为 jieba_fts、trigram_fts、jieba_hybrid、trigram_hybrid、default_judged。固定生成时间、主体／recall UUID 和假判断时钟，保留语料事件时间及原召回时钟；最终比较完整返回，不删除正文、排序、理由或来源字段。首轮对照因未固定随机 recall_id、生成时间和耗时而报差异，逐字段核查仅这些运行变量不同；原材料保留，新目录完整重跑后零差异，产品代码没有为对照改动。
+
+学习请求 SHA-256（双方一致）：`147c831b46c19fa6f83c4055ff8a61c5f4838165453976a73687c5f2f485c08c`。召回完整返回 SHA-256（双方一致）：`735282dc08ea5c656d89e7d47e7c7ed55ee5c08eeac3e49f85f5985a8787a696`。两项对照候选产品源码指纹一致：`74db398443a30ebe1c5a47f17c41730356cae61738c17a545e7b7e0edb10f7a9`。
+
+## 材料与待办
+
+原始材料均在仓库外 `/Users/cassia/Local/Code/iris-eval-artifacts/persona-pe10-20261017/`，包括 `red.log`、`green-initial.log`、`integration-green-final.log`、两版完整测试日志、构建日志、`source-audit.json`、`learning-comparison/`、首轮 `recall-comparison/` 及完整重跑 `recall-comparison-fixed/`；比较脚本也保存在此处。无虚拟环境或 node_modules 副本。两版全量测试结束后均已删除自己 worktree 的 `.pytest-tmp`。只用 `git worktree add` 创建的 main 对照 worktree `/Users/cassia/Local/Code/iris-core-persona-pe10-baseline` 保留供规划者后续清理，未删除其他 worktree 或分支。
+
+本轮没有真实运行或真实作废轮次。前一候选的公开双判结果仅作历史，不能用于认定本次候选达标；待规划者通知后，再跑 persona_v1、persona_v2 正式运行与各自独立外部双判，报告拒绝率、删句率及全部技术作废。隐藏验收仍由规划者维护，未访问。是否恢复自动发布由用户决定；本执行会话只提交推送，不合并。
diff --git a/evals/reports/persona-pe11b-20261018.md b/evals/reports/persona-pe11b-20261018.md
@@ -0,0 +1,99 @@
+# PE-11b persona 公开集正式运行报告
+
+本轮未通过运行有效性条件：persona_v1 在 PT04 的首个检查点发生一次 359.971 秒超时。检查器在原阶段预算内重试一次并成功，评测仍按规则作废并停止后续时间线。没有重跑、没有启动 persona_v2、没有进行外部判分或修改代码，不能据此认定稳健性修复后质量不变。
+
+## 候选与执行边界
+
+- PR #61，分支 `feat/persona-opt`，worktree `/Users/cassia/Local/Code/iris-core-m3-persona`。
+- 本地及远端 PR 起始 head 均为 `dbacdd572dfdf94a4fc6fbfd1ea22dd5e77e871d`；工作区干净。按 PE-11b 固定该快照执行，没有合入新的 main，也未改产品源码、提示词、测试、冻结语料或评分。
+- GLM `glm-5.3-flash`、`high`。按指定环境变量使用主仓库配置，连接检查 chat／embedding 均成功，只记录结论。
+- Python 3.13.13、3.12.12 均可用；在本 worktree 完成 `uv sync --python 3.13` 后开始真实运行。真实运行期间没有修改源码或重建虚拟环境。
+- 新目录：`/Users/cassia/Local/Code/iris-eval-artifacts/persona-pe11b-20261018/`。v1 从空目录完整启动一次，复用案例数为 0；所有原始材料、诊断脚本与完整输出留在仓库外。
+- 本轮通过条件按 PE-11b：两份语料都 run_valid、实际变化全部有依据、违规与禁止内容均为 0。任一运行无效或质量失败即停止，不通过重跑挑选结果。
+- persona 评测器源码指纹：`222dfe8dde8254362bfdc95d195fba2797ca2de27fa58d1a4067acb6ac26eaa3`。PE-10 离线对照脚本以文件名计算的指纹仍为 `74db398443a30ebe1c5a47f17c41730356cae61738c17a545e7b7e0edb10f7a9`；两种算法分别使用相对路径／文件名，差异不表示本轮改了源码。
+
+## 两份公开集与 PE-03 对比
+
+| 公开集 | PE-03 有依据变化 | PE-11b run_valid | PE-11b 双判有依据变化 | 违规／禁止内容 | 本轮结论 |
+| --- | --- | --- | --- | --- | --- |
+| persona_v1 | 19/19（100%） | false | 未判分 | 未判分 | 超时，整轮作废 |
+| persona_v2 | 30/30（100%） | 未运行 | 未判分 | 未判分 | v1 无效后按指令停止 |
+
+PE-03 报告还分别记录 v1、v2 的禁止参考项出现 2 次，七类违规均为 0；历史的 100% 有依据变化率不能替代本次明确要求的“禁止内容 0”。本轮没有把未判分写成零违规，也没有用旧候选票数补齐新候选。由于没有有效完整材料，未启动判分子代理、未调用 persona-score。
+
+v1 计划 5 条时间线、30 个检查点；实际执行 PT01—PT04，只有前三条完整结束。到停止时共执行 19 个检查点，PT04 尚余 14 个事件，PT05 未执行。模型调用共 96 次：生成 15、persona_check 70、persona_recheck 11。评测计时 2260.353 秒（37 分 40.353 秒），CLI 外层计时 2261.361 秒；北京时间 2026-10-18 10:22:26 至 11:00:07。CLI 退出码为 0，但正式报告 metrics.run_valid=false，以后者判定有效性。
+
+以下仅为无效运行已执行部分的产品诊断，不作质量门槛结论：
+
+| 指标 | 数值 |
+| --- | --- |
+| 生成候选 | 15 |
+| 实际变化 | 12，均未外部判分 |
+| 检查拒绝率 | 3/15（20.00%） |
+| 删句率 | 29/65（44.62%） |
+| 经摘录修复保留 | 0 句 |
+
+## 新增稳健性诊断
+
+| 指标 | persona_v1 已执行部分 | persona_v2 |
+| --- | --- | --- |
+| 坏字段重问次数及结果 | 0，无修正结果 | 未运行 |
+| 尺寸拆批次数 | 0 个额外计划批次，0 个阶段触发 | 未运行 |
+| 单批超时重试 | 1 次，成功 1 次 | 未运行 |
+| 保守拒绝句数 | 0（坏字段耗尽及材料超限均为 0） | 未运行 |
+| 实际事实窗口／程度窗口 | 72／8 | 未运行 |
+| 最大记录检查请求 | 18,596 字节，超限记录 0 | 未运行 |
+| 超时／429／输出截断 | 1／0／0 | 未运行 |
+| 不完整检查 | 0 | 未运行 |
+| 未完成时间线／未执行时间线 | 1／1 | 未运行 |
+
+尺寸拆批按冻结提案与证据离线重建，对比“仅四行／两焦点限制”的计划和增加 32 KiB 限制后的计划，统计额外计划批数；与之后因拒绝跳过的窗口分开。字段重问、超时重试只遍历原始 batches，不重复计算首批在根对象保存的副本。保守拒绝按候选原句去重，另保留分阶段句次。完整定义与逐项记录在外部 diagnostics／diagnostic-details JSON。
+
+| 检查调用范围 | 次数 | P50（秒） | P95（秒） | 最长（秒） |
+| --- | --- | --- | --- | --- |
+| persona_check | 70 | 12.252 | 63.8814 | 359.971 |
+| persona_recheck | 11 | 23.405 | 37.552 | 39.562 |
+| 两者合计 | 81 | 13.768 | 46.986 | 359.971 |
+
+以上包含事实检查、程度比较和超时请求，以实际 model_calls 耗时、评测器线性插值口径计算。成功检查中的最长耗时为 99.581 秒。其余 15 次是生成调用。本轮已执行材料未触发尺寸拆批、坏字段修正或保守拒绝路径，不能凭这些零计数确认更重材料下的效果。
+
+## 超时经过与边界
+
+PT04:2026-11-02 的第一批 persona_check，材料量为 15,916 字节（15.54 KiB），低于 32 KiB 上限，包含两个自动检查焦点。初次与重试请求的记录大小相同。
+
+首次 SSE 传输在 0.689 秒收到 HTTP 200 响应头，约 0.690 秒开始接收片段；共记录 720 个片段、2417 个推理字符，最后片段在 11.368 秒。随后直到 360 秒关闭连接都没有正文和结束标记，尾部无进展约 348.632 秒。没有保存推理全文。传输快照的 max_data_gap_seconds 为 0.690 秒，且缺少 elapsed_seconds／cancelled 收尾字段；这一保存值没有反映末尾静默，本报告按关闭事件时刻减最后片段时刻另算 348.632 秒，不能用 0.690 秒代表整个请求的最大停顿。model_calls 记为 total timeout／timed_out=1、359.971 秒；未完成的模型响应没有 finish_reason 或用量。传输层已收到 200 响应头，model_calls.status_code 仍为 null，两者是不同记录层次。
+
+原阶段预算为 900 秒，重试前剩余 538.951 秒。检查器按 PE-10 逻辑只重试该批一次，13.787 秒成功返回 HTTP 200／stop；之后该候选完成检查并为 pending。因此 persona_attempts 的 timed_out_attempts 指标为 0，但实际模型超时调用仍为 1；不能仅看前者误报无超时。评测器保留初次失败，标记 timeout、incomplete_timeline，并停止 PT04 后续事件及 PT05。
+
+现有客户端证据定位到“SSE 已开始响应后长期无新片段”；无法进一步判定具体服务端或网络环节。材料大小没有触发上限，重试恢复了产品检查的完整性，但本次无超时运行条件没有满足。没有放宽预算、质量规则或补跑。
+
+## 作废运行
+
+| 运行 | 状态与材料 |
+| --- | --- |
+| PE-11，`persona-pe11-20261017/persona_v1` | 用户说明 Codex 额度耗尽后由规划者终止。外层记录 39.777 秒、退出 143；PT01 仅完成 8/18 个事件、1 个检查点，进度快照尚无调用，但残留数据库保存 1 次成功生成（38.369 秒）。检查在途结果及用量未知，无最终运行报告、无判分材料。进程已不存在；原目录保留，完全未复用。 |
+| PE-11b，`persona-pe11b-20261018/persona_v1` | 本报告所述超时；最终报告及部分材料已导出，但整轮无效，不判分、不续跑、不复用。 |
+| persona_v2 | 两轮都未启动，不算作废运行。 |
+
+PE-03 更早的作废清单继续保留在原汇总报告，本轮不追认其中任何片段。
+
+## 测试、构建与材料
+
+真实评测结束后，以下命令严格串行执行，未与模型运行重叠：
+
+| 顺序 | 命令／版本 | 结果 | 耗时 | 日志 |
+| --- | --- | --- | --- | --- |
+| 1 | `uv run pytest`，Python 3.13.13 | 4570 passed，8 warnings，退出 0 | pytest 1249.87 秒 | `python313.log` |
+| 2 | `uv run --locked --isolated --python 3.12 pytest`，Python 3.12.12 | 4570 passed，8 warnings，退出 0 | pytest 1242.34 秒 | `python312.log` |
+| 3 | `uv build --out-dir <本轮外部目录>/build` | wheel／sdist 成功，退出 0 | 外层 2.437 秒 | `build.log` |
+
+两次测试结束后分别删除自己的 `.pytest-tmp`，最终确认不存在；worktree 的 `.venv` 仍为 Python 3.13.13。源码指纹仍与正式运行一致。wheel／sdist 内的 persona 源码、三份在用提示词与冻结评分逐字节核对一致，包内没有模型密钥配置、secrets.json、虚拟环境、node_modules 或临时测试目录。完整验证记录为 `validation-execution.json`、`validation-summary.json`、`package-audit.json`。没有额外进行 CPU 压测或性能测量。
+
+导出的 15 份候选材料、run.json、scoring.md 以及清单指纹均验证一致，评分文件和语料原文件未变；这只证明部分导出的完整性，不把无效运行变成有效全量材料，见 `partial-material-integrity.json`。
+
+原始运行报告：`persona_v1/persona-20261018T030007-47627a99.json`，SHA-256 `35c001dc34f4e2b5dfd160ded3e0f0e0bee78c3a37db2e8480a9072eba469718`。
+部分材料目录：`persona_v1/judging-materials-20261018T030007-cdb8becf`，materials_sha256 `2b1f37b7b43a85d46e1d17de0f761f238d3647da5166b3e3bd51052271253439`。仅保留现场，不构成有效的全量判分材料。
+
+主要诊断为 `persona_v1-diagnostics.json`、`persona_v1-diagnostic-details.json`、`timeout-diagnostic.json`、`pe11-invalidated.json`、`stop-decision.json`；离线统计脚本为 `analyze_run.py`。本报告只提交汇总，完整日志与输出仍在指定外部目录。
+
+默认全部人工确认未变；未寻找或读取隐藏集。仅功能分支提交及普通推送，不合并 PR、不 force push。