0260bcd8e2
- 新版设计各域 SoT 按本轮实现同步：总体架构、模块设计、接口契约、数据模型、功能规格、文件设计与决策记录。 - 接口契约生成物重新导出（openapi 与前端客户端随契约一致）。 - 实现回顾与专项检查台账保留历史结论；本轮收尾发现另见 .agents.local 下的收尾报告与审查处置。
74 lines
7.7 KiB
Markdown
74 lines
7.7 KiB
Markdown
<!-- 导航元信息: {"内容描述": "历史设计与研究记录", "使用场景": "追溯原阶段任务时", "使用要求": "保留原时点，不作为当前能力或运行入口"} -->
|
||
# 评测 harness 改造设计（概念层）
|
||
|
||
> 目标读者：创始人。状态：**概念设计已定稿（三条独立概念评审收敛），实现细节后续进行**。
|
||
> 本文记录评测 harness（replay-eval）从"仓外密封 vault"迁到"一切落库"的**概念决定**：明确的意图、清晰的边界、六条概念原则及其依据。实现（引擎强制、常设不变量、完成判据重设计等）另起任务。
|
||
> 关联 SoT：领域索引 §3、05 §7、06 §7、08 §5（本文原则已落进这几处）。
|
||
|
||
## 1. 改造的意图（明确）
|
||
|
||
评测 harness 的根本目的有三层，分属不同的主人：
|
||
|
||
1. **防泄漏（实验有效性）**：writer 不能看到目标章答案。这一条**从来不是仓外 vault 在服务**——它由 as_of 冻结、泄漏审计、盲评输入边界这些逻辑机制保证。
|
||
2. **留存卫生**：全文、oracle 答案、完整 prompt 不能漏进 Git、不能漏进对外报告。这是 vault 真正服务的。
|
||
3. **证据托管 + 独立性**：迁移回执给出证据监管链；证据放在另一个物理底座，意味着即使生产库被破坏，评测证据还在，评测仍能充当对生产系统的**外部见证**。这一条**过去从未写成目的，是隐性目的**。
|
||
|
||
**改造的真实意图是理念转变，不是技术简化**：把评测纳入"一切落库、单一事实源"。它对前三层中的两层半忠实甚至更强（append-only 比 0700 更不可变、评测候选隔离可机械验证），但**静默放弃了第四层——证据独立性**：评测证据从此与生产库共享同一个信任根，从"独立见证"降为"系统自身账本里的一类行"。
|
||
|
||
**意图的明确表述**：改造服务留存卫生与防篡改（且强化），放弃证据底座独立性（换可观测性与全文可走查）。这是单用户本地场景下的**刻意取舍**，不是无损迁移。
|
||
|
||
## 2. 边界（清晰）
|
||
|
||
物理隔离与逻辑隔离**不是强弱的同一种东西，是两种不同种类的东西**：
|
||
|
||
- **物理隔离 = "不可能"**：评测物料不在生产访问域里，越界在拓扑上不成立，不依赖系统自己的正确行为。
|
||
- **逻辑隔离 = "被禁止"**：物料在同一访问域，靠规则（run_type、状态机、访问控制）隔开，完全依赖系统在每个访问点永远正确地执行规则。
|
||
|
||
改造后，评测与生产**同库**，边界靠：`run_type`（eval/production）+ 候选状态机（评测候选 DB 级禁接受）+ 访问控制（raw 默认不进检索）。这是逻辑隔离，不是物理隔离——**继续叫它"隔离"是第一个泄漏点**，应叫"访问分离 / 引擎强制"。
|
||
|
||
**边界的结构性弱点**：边界锚在标记（run_type / eval_draft）上，必须正确传播到每个派生产物、并在每次读取时被正确检查——而没有一个集中的强制点，是**分布式约定**。最戏剧性的路（评测正文→正式书）防御最厚、破了会被看见；真正脆的是**安静的派生路**（评测卡喂生产检索、评测评分混进生产质量视图、run_type 被翻），防御薄、破了没人知道。**防御的轻重是反的。**
|
||
|
||
## 3. 六条概念原则（全认）
|
||
|
||
1. **升级口号**：把"一切落库、单一事实源"改述为"**单一基底、分层权威、分区治理**"——库是唯一存放处（基底统一），但正式内容与评测区是**不同治理区**；评测独立性由 run_type + 四层隔离 + oracle + 盲评 + 人审承载，**不由物料位置承载**。
|
||
2. **把代价写成明账**：在 SoT 明说"评测证据与生产共享同一信任根，是单用户场景的刻意取舍，换可观测性 + 防篡改，放弃证据底座独立性 / 外部可审计性"。不假装没丢。
|
||
3. **救回 COMPLETED**：完成判据必须核对"本轮声明要产出的 raw 集合"=="实际落库集合"才置完成；"有行落库了"不是判据。**一道不可能失败的门不是门。**
|
||
4. **强制收拢到引擎一个点 + run_type 钉死**：让评测行对生产读默认不可见由数据库**单点强制**（生产只读角色对评测行默认不可见，显式可审计 opt-in 角色才可见）；`run_type` 插入后不可变（或引擎约束使 `(eval, accepted)` 永不可达）。打结构弱点，一次覆盖所有派生路。
|
||
5. **从"靠预防"迁到"靠发现"**：逻辑隔离永远做不到完全预防，必须靠**常设不变量**持续抓越界——没有评测派生卡绑定到生产、没有评测质量结果出现在任何生产视图、没有正式正文块的来源能追溯到评测候选。违反即报警。**从物理隔离迁到逻辑隔离的那一刻，必须同时从"靠预防"迁到"靠发现"。**
|
||
6. **oracle 读侧硬红线 + 改词**：把"oracle / 全文不进任何模型输入上下文、只供人走查"写成**可机械验证的红线**（写侧已有硬强制，读侧不能只靠查询纪律）；把"隔离"统一改成"访问分离 / 引擎强制"——机械验证全绿之前，不许说"密封从物理变逻辑"。
|
||
|
||
## 4. 概念依据（三条独立评审收敛）
|
||
|
||
三条独立概念评审（意图/目的论、边界/隔离、一致性/哲学）独立得出，高度一致：
|
||
|
||
- **共识**：改造概念上成立，拆掉了一个**假二元性**——仓外 vault 的"外在性"从来是幻觉（同一台机器、同一个 agent 治理，`rm` 一个 0700 文件比绕过 DB 触发器容易得多）。评测真正的独立性在裁判标准（oracle/盲评/人审），不在物料位置。搬库不是降级，是把力气从错处挪回对处。
|
||
- **共同指出的欠款**：
|
||
- 代价被写成纯赚（证据独立性 / 外部可审计性 换了全文可看性，文档叙述成纯进步）。
|
||
- 口号没说出让它安全的"分区治理"（"单一"在做意识形态工作，侵蚀真正的分区）。
|
||
- 完成判据退化（"已落库"趋恒真，丢"封存"内涵）。
|
||
- 边界锚在可变分布式标记上，安静路径防御最薄。
|
||
- oracle 读侧软边界。
|
||
- 认识论底色：这是**带锚点的自我评估**，不是独立评估，终极锚点是创始人——哲学不该把它包装成"独立评测"。
|
||
- **底线**：边界守得住，对单用户本地工具甚至可能比文件时代更硬——**条件是**强制压进引擎、标记锚死不可变、配一套常设不变量持续发现越界。现在的规格是"约定强度"，还配不上"隔离"这个词。
|
||
|
||
## 5. SoT 落点（已落）
|
||
|
||
| 原则 | 落点 |
|
||
|---|---|
|
||
| 1 升级口号 | 领域索引 §3（单一基底、分层权威、分区治理） |
|
||
| 2 代价明账 | 08 §5（raw 边界：用外部可审计性换全文可看性，明账） |
|
||
| 3 救回 COMPLETED | 06 §7（轮次封存：核对声明集合 == 实际落库集合） |
|
||
| 4 强制收拢 + run_type 钉死 | 05 §7（引擎单点强制、run_type 不可变） |
|
||
| 5 从预防迁到发现 | 05 §7 / 06 §7（常设不变量） |
|
||
| 6 oracle 读侧红线 + 改词 | 05 §7（oracle 不进模型上下文红线；"隔离"→"访问分离"） |
|
||
|
||
## 6. 实现（后续，本文不展开）
|
||
|
||
以下为概念决定的实现项，另起任务：
|
||
|
||
1. 引擎单点强制：生产只读角色对评测行默认不可见 + 显式评测可见角色；`run_type` 不可变约束（或 `(eval, accepted)` 不可达约束）。
|
||
2. COMPLETED 重设计：轮次封存核对"声明 raw 集合 == 实际落库集合"。
|
||
3. 常设不变量：评测卡不绑生产、评测分不进生产视图、正式正文来源不追溯到评测候选——持续跑、违反即报警。
|
||
4. oracle 读侧红线：可机械验证"oracle/全文不进任何模型输入上下文"。
|
||
5. 术语统一：全文"隔离"→"访问分离 / 引擎强制"。
|