zizi-al/muse-agent-example
1
0
Fork 0
Code Issues Pull Requests Actions Packages Projects Releases Wiki Activity
muse-agent-example/harness/README.md
zizi d80df3ed7c 治理: 剩余问题收口——humanization 规则/样例数据库权威 + PG 集成全通过 + 行为评测脚手架 + raw 冲突备忘录 
范围（不含 design-story-foundation、docs/design、docs/write-chapter、
craft/、humanization/README.md 等进行中改动）:

1. humanization 规则/样例运行时数据库权威
   - db/ddl/111：example_ai_flavor_rule / example_ai_flavor_sample /
     example_ai_flavor_rule_event（append-only 生命周期留痕），已应用到 muse-example
   - deai/load_db.py：数据库装载器，激活门/重复检测/指纹与文件装载器同源；
     数据库失败关闭，不静默回退 Git 文件资产
   - humanization/tools/seed_rules_db.py：YAML 种子单事务同步，幂等、
     变化留痕、--strict 对 db-only 行失败关闭；真实库已种入 26 规则/107 样例
   - prevent/diagnose/revise 生产路径切到数据库读取（--offline 显式读文件），
     落库前新鲜度检查与合同声明来源一致；四个 SKILL.md 数据库合同同步
   - 真实库验证：规则库指纹与文件种子一致（v-609bc40e21d0b5db），
     三个生产脚本端到端从库装载通过

2. PostgreSQL 集成：显式授权后 9/9 通过
   - 此前被依赖门阻断的 6 个 _db/smoke 测试全部通过
   - extract rollback 冒烟改为回滚事务内自给夹具（pending 窗/草稿缺失时自建），
     不再依赖瞬时生产状态；夹具残留核验为 0

3. Skill 行为评测脚手架（真实执行数量仍为 0）
   - harness/evals/skill_eval.py：场景合同、六类评测范畴、适配器和结构化裁决报告
   - diagnose-ai-flavor 参考场景 4 条 + 管道自测 7 项通过
   - 真实模型适配器未授权时以稳定码 EVAL_ADAPTER_UNAVAILABLE 失败关闭；
     清单登记 skill_behavior_eval 条目，默认被依赖门阻断

4. evaluate-frozen-replay raw 存储边界冲突
   - docs/2026-08-19 备忘录：平台 DB-first 合同（创始人批准）与回放链
     仓外 vault 强制的冲突事实、两个选项和裁决前约束；运行时合同未单方面改写

5. harness 自身修复
   - runner 对账语义：行为评测入口不参与测试资产双向等值，但登记文件必须存在；
     manifest 保留 skill_behavior_eval 布尔字段并校验类型
   - 新增 2 条对账回归用例

验证证据: harness 三组自测 15+15+7 通过；静态审计 32 Skill / 0 问题；
76 个非数据库条目通过；9 个 PostgreSQL 集成条目显式授权后通过；
行为评测条目默认阻断；py_compile 与 git diff --check 通过。
未调用真实模型、embedding 或额度；真实行为评测执行数量仍为 0。
2026-08-19 02:41:25 +08:00

4.6 KiB
Raw Blame History

agent-example Harness

项目开发、验证和行为评测支架的入口与索引。 这里的文档和工具服务开发者与评测编排，不会作为任何 Skill 的运行时提示词自动注入 Agent。

1. 作用

agent-example 同时包含三种不同性质的验证工作：

  • 运行时文档的静态卫生检查；
  • 确定性工具、数据库边界和 fake pipeline 的机械测试；
  • 将 Skill 交给 Agent 后的外部行为评测。

Harness 负责把这三类工作分开编排并保留证据，不能用其中一类的通过结果冒充另一类结论。

2. 目录索引

harness/
├── README.md                         # 本入口：项目 harness 介绍、边界和索引
├── specs/
│   └── skill-testing.md              # Skill 测试与评测规范（唯一规范正文）
├── skill_harness.py                  # 运行时 Skill 文档静态审计入口
├── run_selected.py                   # 按 manifest 选择性执行测试
├── test_skill_harness.py             # 静态审计器离线测试
├── test_run_selected.py              # 选择性执行器离线测试
├── manifests/
│   ├── skills.json                   # 运行时 Skill 责任方与协作领域清单
│   └── test-inventory.json           # 测试分类、依赖、副作用与证据等级
└── evals/
    ├── skill_eval.py                 # 行为评测引擎：场景合同、适配器与裁决报告
    ├── test_skill_eval.py            # 评测管道自测（不构成 Skill 行为证据）
    └── skills/<skill>/               # 逐 Skill 场景与评测入口（真实模型需显式授权）

项目级实现测试位于 `../tests/skills/<skill>/`，不进入运行时 Skill 目录。

现有专项支架：

路径 责任 证据边界
humanization/eval/run_eval.py 去 AI 味规则合同和回归陷阱试跑 规则合同回放，不证明文学效果
.claude/skills/evaluate-frozen-replay/ 正文/细纲冻结回放、盲评和质量门 评测编排与质量证据，不是通用 Skill 单测入口
harness/ 跨 Skill 的开发验证与行为评测治理 只编排和裁决证据，不拥有业务合同

3. 权威关系

  • .claude/skills/*/SKILL.md：Skill 的运行时行为合同；不放开发测试说明。
  • .claude/skills/*/scripts/：Skill 使用的运行时确定性实现与机械门。
  • tests/skills/<skill>/：对应 Skill 的实现测试、集成测试和 fake pipeline 测试；测试性质由 harness 清单标注。
  • harness/specs/：测试和评测规范；不被业务 Skill 当作运行时指令读取。
  • harness/manifests/：测试/评测登记与执行配置；不复制业务字段合同。
  • harness/evals/：外部行为评测案例、适配器和报告生成逻辑。
  • .agent/docs/architecture/domains/：领域与数据权威 SoT；harness 只引用，不复制领域定义。
  • docs/：单次设计、运行证据和历史资料；不替代 harness 规范。

4. 当前状态

  • skill_harness.py 已实现运行时 Skill 文档与 skills.json 的只读静态审计。
  • test-inventory.json 已登记实现测试、集成测试、fake pipeline、领域评测和 harness 自测的依赖与证据等级。
  • run_selected.py 已实现显式选择、磁盘/manifest 对账、危险依赖阻断、超时和执行证据检查；它不提供默认全仓一键通过结论。
  • 项目运行时 Skill 的实现测试以 tests/skills/<skill>/ 为目标位置，物理现状以 test-inventory.json 为准。
  • skill_behavior_eval 脚手架已建立：评测引擎、diagnose-ai-flavor 参考场景与管道自测就位；真实模型适配器未授权时以稳定码失败关闭，真实行为评测执行数量仍为 0；没有外部 Agent/模型行为证据时，不声称 Skill 内容有效。
  • humanization 规则/样例运行时权威已入库（DDL-111 + humanization/tools/seed_rules_db.py 种子同步）；生产读取失败关闭，不静默回退 Git 文件资产。
  • PostgreSQL 集成条目在显式授权后全部通过（含规则库指纹一致性和 rollback 冒烟）；网络和真实模型证据未由离线结果替代，是否执行仍受授权和预算约束。

5. 运行边界

  • 默认只允许静态检查和明确标注的离线测试；
  • PostgreSQL、网络、真实模型和额度探针必须显式选择并满足授权、预算和环境前置条件；
  • 任何测试失败、依赖缺失或未发现测试都必须显式返回状态，不能静默跳过；
  • 报告必须区分已验证事实、推断和未验证假设。