Pull Request已成功合入, 合并人@openJiuwen-bot
（感谢 zhitinggao 的贡献）
zhitinggao
🤖 正在生成合并请求摘要，请稍候…
🤖 AI 代码检视正在进行中，请稍候…
欢迎来到 openJiuwen 社区
Hey @AFSDFASD , 感谢你对社区的贡献.
机器人使用手册
有关指令的使用，可以点击 此处 查看详情。开发人员可以在每个PR或Issue下方评论特定指令来触发机器人任务。
联系指引
有疑问可以联系 SIG: sig-agent-core ,
维护者是： @seanzhang_cn, @xinyu-jiuwen ,
审核者是： @alan_cheng, @deyang, @iamcandiceguo, @yangzequ .
⚠️ 本次变更过大（46 个可审文件、31090 行，预估需 26 轮分片审查），已超出 AI 代码评审的处理范围，本次跳过。建议拆分为更小的 PR 以获得有效评审。
⚠️ 本次变更过大（46 个可审文件、31090 行，预估需 26 轮分片审查），已超出 AI 代码评审的处理范围，本次跳过。建议拆分为更小的 PR 以获得有效评审。
The pipeline(pipeline number:2497) is running. Please wait a moment...
zhitinggaoThe pipeline(pipeline number:2497) is running. Please wait a moment...
zhitinggaoThe pipeline(pipeline number:2497) is running. Please wait a moment...
PR #2497 检视报告
主题：证据驱动的递归 harness 演化（RSI evidence loop）
规模：48 个文件，+31649 / -1601，新增 262 个单元测试
一、实现逻辑梳理
本 PR 构建了一条「证据 → 因果假设 → 干预 → 反馈 → 改进者演化」的闭环，核心模块如下：
1. 证据压缩（evaluation_result_analyzer/evidence_compactor.py，新增）
build_causal_evidence_digest()生成确定性压缩包（no_llm_summarization: True），保留 trial 边界、精确数字、结构化工具参数；按「失败优先/状态变更/内容承载读/终端窗口」动态选取动作。- 响应摘要在策略里显式声明为 display views（非 task-agent observations），并在
ANALYZER_EVIDENCE_COMPACTION标记中保留 raw evidence pointers —— 防止把压缩视图当作因果证据。 _compact_trial_evaluation()对缺失的 grader 字段标记not_instrumented而非当作 0，避免制造虚假对比。
2. 因果调查（evidence_investigation.py，新增）
execute_causal_investigation()只执行控制器持有的只读证据操作（check_relation/compare_numeric_change/search_trace/inspect_artifact/search_repository等），策略声明arbitrary_shell_or_path_access: False。- 路径安全：所有文件读取经
resolve()+is_relative_to(root/case_dir)校验，可抵御符号链接逃逸；Windows 长路径有_windows_long_path处理。 inspect_artifact刻意排除 evaluation metadata —— 修复了「判分描述被当作工件存在证明」的假证据问题。
3. 诊断流程与假设门槛（analyzer.py + member_optimizer/hypothesis.py）
- 诊断 agent 先产出调查计划 → 控制器执行证据操作 → 生成最终诊断；
causal_investigation_required=True（默认）下无调查不得出诊断；截断 JSON 归类为RetryableModelOutputError触发重试。 compile_optimization_hypotheses()（v3→v4）新门槛：evidence_status=confirmed且存在 unresolved 假设 → 跳过；supported_hypothesis允许与未决备选共存（有明确注释与测试背书）；verification_status != verified的假设不能绑定优化目标。旧版「唯一 supported 即绑定」保留为向后兼容路径。
4. 需求结果统一（evaluator/requirement_results.py，新增）
- 用统一的 per-requirement 结果替换原先
FAIL_TO_PASS/PASS_TO_PASS/atomic_checks三套解析；_verifier_deltas_by_case()改写在其上，partial_progress定义收敛为「有新通过且无回归」。
5. 改进者演化（improver_evolution/，新增包）
VersionedImproverPolicy：不可变、可序列化、带 canonical digest 的策略快照，父子版本链 +training_ledger_digest锚定训练数据。feedback_analysis.py：跨 cohort 聚合候选反馈账本（min_support_cohorts门槛），产出稳定模式与高价值增益信号。meta_validation.py：成对未见 checkpoint 上的宏平均对比（best-of-k gain / top-m gain / selection regret / 回归率 / 基础设施失败率），非退化容差 + 指标全有或全无原则 +offline_rerank模式明确「仅 ranker 证据、不可晋升完整改进者」。
6. 兄弟候选与反馈账本（single_harness/）
rank_candidate_proposals()在评估前冻结排名（static_priority_v1：executable/coverage/atomicity/duplicate 四特征），语义指纹去重；build_candidate_feedback_cohort()产出 Ledger v1 cohort，搜索指标（best-of-k、top-m、selection regret）只在「排名冻结 + 身份一致 + 增益完备」时计算，否则给出明确 unavailable 原因（共 12 类）—— 反事实指标诚实性做得扎实。- cohort manifest 以输入身份（parent refs、eval ref、hypotheses、frozen cases、policy digest）幂等复用，重试安全。
7. 执行契约与原子束（member_optimizer/execution_contract.py，新增）
evaluate_role_execution()统一判定动作满足性：直接成功 /dependency_failed回退被跳过 / 失败主动作被成功回退替代；同束（role+单 issue）任一失败时，action_executor将成功的部分结果降级为not_merged，verification 增加role_action_bundle:检查且列入不可修复前缀 —— 杜绝半合并候选。
8. 其他
rail动作组全链路支持（scaffold / rails.yaml manifest 规范化 / deterministic remove / 校验）。model_call.py：transient 标记扩充（网关 5xx、连接错误、限流、DB 启动中）、状态码正则、指数退避（1s 起、10s 封顶、RetryableModelOutputError不延迟）+ warning 日志。team_evaluator.py：基础设施异常按 transient 标记重试（退避 min(2^n,4)s，清理 case 输出目录）。trajectory_usage.py：支持 OpenAI 风格 messages 轨迹；python/code工具与save/to_csv/to_excel/to_json/to_parquet纳入持久编辑判定。- harness 模板新增
SubmissionCheckpointRail（反例审计 + 绑定审计 + 语义发布违规拦截），带模型调用预算与超时上限。 data_loader.load_files()支持显式冻结数据集文件，隔离同目录其他 split。
二、发现的问题
N1（中）_resume_fingerprint_matches 的 12→13 迁移分支在生产不可达
_initial_fingerprint 已从 version 10 升到 18，而迁移分支要求 requested.optimization_chain_version == 13 才生效 —— 生产请求恒为 18，该兼容路径永远不会命中，仅被单测直接调用（test_default_i0_can_resume_pre_policy_chain_state）。同时所有旧状态（v10 及中间开发版）resume 均抛 ValueError。若「跨版本一律失效」是本意，建议删除死分支或在 PR 描述中明确 resume 不兼容；若希望保留迁移能力，应将迁移目标与当前版本解耦。
N2（低）model_call.py 重试策略三点
_TRANSIENT_STATUS_RE把 409 列为 transient：持续性 409（如冲突操作）会被重试满 21 次（约 3 分钟）才暴露。- 退避无 jitter：并发 case 同时命中 429 时步调一致重试，放大网关压力（
team_evaluator重试同样无抖动）。 _TRANSIENT_CONNECTOR_BACKEND_MARKERS先于 non-retryable 检查：同时含 DB 启动标记与 "invalid api key" 的消息会重试。标记足够窄、风险低，但把 non-retryable 放最前更稳妥。
N3（低）trajectory_usage._successful_tool_steps 行为变化
命中顶层 steps/messages 容器后不再深入 step 内部嵌套结构（旧实现会递归，可能重复计数）。新语义有测试覆盖，但依赖嵌套扫描的旧轨迹格式 usage 计数会静默下降，建议在变更说明中提示。
N4（信息）严格证据门槛的兼容性影响
causal_investigation_required=True 默认 + 假设需 verification_status=verified：旧版 analyzer 产物（无 verification_status 字段）不再产生优化目标，管线在候选生成前停止（有对应测试）。这是 PR 的核心意图，但运维侧需知晓旧 analysis ref 无法继续驱动优化。
N5（信息）harness 控制器成本
SubmissionCheckpointRail 每任务额外执行反例 + 绑定两次审计模型调用；已有 _max_controller_model_calls 与超时上限兜底，评估单 case 成本会上升，属预期权衡。
三、亮点
- 反事实指标的诚实性：排名先冻结后评估 + 12 类显式 unavailable 原因，杜绝用事后信息美化搜索指标。
- 证据与观测分离：压缩视图、判分描述均不得冒充任务观测，从源头堵住「重复结局描述伪装因果证据」。
- 原子性贯彻到底：cohort 冻结、动作束全有或全无、不可修复前缀收敛修复循环。
- 路径安全：证据调查全程 resolve + is_relative_to 校验，防符号链接逃逸。
- 测试覆盖充分（262 个新测试），关键契约（幂等、迁移、门槛、去重）均有针对性用例。
结论：整体设计严谨、防御性到位，问题以中低严重度为主。N1 建议合入前澄清（删死代码或说明 resume 破坏性）；N2/N3 可后续跟进。
/lgtm
/approve
Paired: GitHub #904 ↔ GitCode !2497
What type of PR is this?
/kind feature
Self-checklist:（请自检，在[ ]内打上x，我们将检视你的完成情况，否则会导致pr无法合入）
Linked Closing Issues: