docs(adr): ADR-0024 —— 第 8 条对照实验的判决量与结论边界（判决量改 last_candidate；P1 表述为「本形态下无发生机制」）

WORKMEMORY/work.log

@@ -582,3 +582,12 @@ Caps: filesystem-read, filesystem-write, shell-exec
 - **守卫测试**：`tests/test_server.py` 新增 `test_runtime_artifacts_protected_by_gitignore`（沿用 keystore 那条惯例 + 多一层 `git check-ignore` 实证 + 与 `desktop.py` 常量对账）。**变异自证**：删掉三条规则 ⇒ 该测试红（判别力成立）。
 - **门禁**：守卫 1 passed；`ruff check .` 全绿；`mypy --strict delector` 67 files 0；`--follow-imports=skip tests/test_server.py` 0；契约闸过。全量 `pytest` **1983 passed + 2 skipped + 2 failed** —— 已用 `git stash` 在 master 态复现同样 2 failed，证实是 `tests/conftest.py:16-19` 明文记载的「根目录有库 ⇒ 迁移闸拒绝运行 ⇒ 本地红 / CI 绿」既有分歧，与本 PR 无关（**未删用户库文件**：那属危险操作）。
 - **未做（需决策或有危险）**：P1-1 分支纪律机械闸（CI 改动；`gh` 无 workflow scope ⇒ 合并要走 SSH no-ff）、P2-7 `.gitattributes` CRLF 契约（改跨平台 checkout 行为）、P2-6 renormalize、P2-5 `git gc`、P2-3 design-system 状态定夺，以及 swarm audit 的 P0-1/P0-2/P1-1（密钥进备份）等代码级修复。
+
+### 2026-10-16 13:10 | codebuddy | DECISION
+Caps: filesystem-read, filesystem-write, shell-exec
+事件：**/dfs-grill 三透镜拷问「第 8 条对照实验」后收敛，ADR-0024 归档**（vault `a1a74fe`；仓内镜像 `docs/adr/2026-10-16-adr-0024-...md`）。用户拍板：**Q1 按推荐（B+C）**；**Q2 另一 agent 已在跑 N=20**（推荐为不跑，用户知情）。
+- **核心发现（pilot 实测证实，非推断）**：原判决量 `R_uncovered(final)` 在 A1/A2 两臂**恒等于 0** —— 因为 `violations_of` 恒返固定违规 ⇒ `v>=prev_v` ⇒ `no_improvement` ⇒ argmin 回退**带错原文**。pilot 三臂：A1/A2/A3 的 `R_uncovered(final)` = 0.000/0.000/0.950，而 `R_uncovered(last_candidate)` = **0.950/0.950/0.950**（逐位相同）。⇒ ①「A1→A2 轮数效应」= 0 vs 0 零信息；② P2 的「A3 优于 A2」退化成「A3 > 0」；③ P1 宣称的「A2 是关键分辨器」分支**不可达**；④ A1 **不等于**今日一次性润色（它返回带错原文）。
+- **机制事实（代码实测）**：`polish_loop` 七个 `messages.append` 站点**无一回灌裁判 violations**；会话无状态、权重冻结；`writing_check` 工具**不带 nlp** ⇒ 语法族对模型不可见。⇒ §4.3 被引用以禁言的那句（「模型会学会通过检查」）**在本架构里没有发生机制**。
+- **ADR-0024 决策**：判决量改/并入 `R_uncovered(last_candidate)` + 预注册阴性对照 `last_candidate(A2) ≈ last_candidate(A3)`；结论边界收窄为「准入式裁判下裁判信号只影响**验收**、不影响**模型行为**」；P1 表述为「**本形态下无发生机制**」（**不得**写成「未发现 P1」，更不得据此宣称第 8 条已满足）；§4.3 维持限定表述 + 新增「无法判别」出口（禁止用再加大 N 自我续命）；「裁判结论回灌」设为**无条件**下一子计划，实验结论只影响 ADR 措辞、不影响代码路线图。
+- **给正在跑 N=20 的 agent（必读）**：无论结果如何，报告 MUST 按 ADR-0024 口径书写（判决量以 last_candidate 为主、`R_uncovered(final)` 仅作构造性记录并标注恒 0 的算术成因）；并如实登记已知未决项 —— 无 `seed` 且 `temperature` 未设未记（「同输入同输出」对 `--real` 是假陈述）、Token 成本走 `ceil(len/3.0)` 且只计 completion 不计 prompt、无逐篇落盘/续跑/重试/连通预检/成本硬闸、rater 零执行入口。
+- **下一子计划（回灌通道）硬依赖**：① 裁判 FP 必须先修完（3 类误报全在语法族，而 prose 分流下只有语法族被计数 ⇒ 误报回灌即变成「必须修」的指令；现成标定工具 `tools/bench_judge_fp.py`）；② 回灌内容 MUST 过同一道适用性闸与双限截断；③ 三角一致性（循环裁判带 nlp / `writing_check` 不带 nlp / 回灌源）先于回灌；④ 阴性对照 MUST 在动产品之前先跑成基线。

docs/adr/2026-10-16-adr-0024-gaming-control-experiment-verdict-metric.md

@@ -0,0 +1,66 @@
+> 本文件是 vault 正式件 `08-Projects/DeLector/01-ADR/0024-gaming-control-experiment-verdict-metric.md` 的仓内镜像（正本在 Vault，见 `docs/README.md`）。
+
+# ADR-0024：第 8 条对照实验的判决量与结论边界
+
+## Status
+
+已接受（2026-10-16）。由 `/dfs-grill` 三透镜（产品体验 / 后端协议 / SRE）拷问后收敛，用户对前沿题 Q1 拍板「按推荐」。
+
+## Context
+
+ADR-0023 §4.3 自设门槛：裁判集扩到 A1 语法维度后仍**不得宣称「已实现」**，除非有「浅裁判失效」的对照实验（判据表第 8 条）。为此建成三臂配对 harness（`tools/bench_judge_gaming.py`）：A1 一轮基线 / A2 ≤3 轮无方向 / A3 生产规则族分流；20 篇种子（每篇 1 处被计数「信号」+ 3~5 处 held-out 探针）；**判决量**原定为 `R_uncovered(final)`（held-out 探针的确定性回收率），LLM 盲评仅作辅助信号（因 `AGENT-EVALUATION-HARNESS` §1 严禁纯 LLM 裁判当判决）。
+
+**pilot 实测（N=5，全书信体，15 局 / 145s / 2,944 token）**：
+
+| 臂 | R_judge | R_uncovered(final)（原判决量） | R_uncovered(last_candidate) | rollback | 轮数 |
+|---|---|---|---|---|---|
+| A1 | 0.000 | **0.000** | 0.950 | 1.000 | 1.00 |
+| A2 | 0.000 | **0.000** | 0.950 | 1.000 | 1.00 |
+| A3 | 1.000 | **0.950** | 0.950 | 0.000 | 1.00 |
+
+**两条机制事实（代码实测，非推断）**：
+1. `polish_loop` 的 `messages.append` 站点（工具列表 / Leitpunkte / 裁判异常 / 格式不合法 / 工具结果）**没有一处回灌裁判 violations**；模型唯一通道是主动调 `writing_check`，而该工具**不带 nlp**（`delector/tools/writing_check.py:14`）⇒ 语法族对模型不可见。**今天生产链路上「循环计数的」与「模型能看见的」是两套规则。**
+2. 会话无状态、权重冻结；且那套 A1 规则本来就写在系统提示词里（`polish_loop.py:160`）。
+
+## Decision Drivers
+
+1. **判决量可识别性**：A1/A2 的 `violations_of` 恒返回同一条固定违规 ⇒ 任何候选 `v = v_0` ⇒ `v >= prev_v` 必命中 ⇒ `no_improvement` ⇒ argmin 回退**带错原文**。故 `R_uncovered(A1) ≡ R_uncovered(A2) ≡ 0` 是**算术后果，不是测量结果**（`tests/test_bench_judge_gaming.py:895` 自身即钉住 `a2["R_uncovered"] == 0.0`）。后果：A1→A2 轮数效应恒为 0 vs 0（零信息）；P2 的「A3 优于 A2」退化为「A3 > 0」；P1 宣称的「A2 是关键分辨器」分支**不可达**；A1 也**不等于**「今日一次性润色」（一次性润色返回模型候选，A1 返回带错原文）。
+2. **机制缺口**：§4.3 被引用以禁言的那句（「模型会学会『通过检查』」）需要 (a) 模型看得见检查结果、(b) 跨会话学习 —— 二者在当前架构下均不成立。⇒ 该命题的成立条件**不依赖实验数据**。
+3. **成本与信息增量严重失配**：主实验仅 ~12k token / ~10 分钟（钱不是约束），但在退化判据下信息增量≈0；pilot 的「方差极小」是判据退化的假象，而非模型稳定。
+4. **项目纪律**：本仓对 dead-green 与「用格式化/构造性绿灯解除 MUST」零容忍；用一个结构上回答不了问题的判据去解锁门槛，正是该纪律要防的形状。
+
+## Considered Options
+
+- **A**：维持 `R_uncovered(final)` 跑满 N=20，靠 W4 披露规则兜底。
+- **B**：判决量改为/并入 `R_uncovered(last_candidate)`（同一口径函数、只换记录面），并预注册**阴性对照不变量** `last_candidate(A2) ≈ last_candidate(A3)`（两臂 prompt 逐位相同、裁判都不进 messages ⇒ 有差异只能来自采样噪声）。
+- **C**：承认本形态只测「准入式闸门」，§4.3 解锁措辞收窄；gaming 语义移交给「裁判结论回灌」子计划。
+- **D**（Q2，执行层面）：D-1 不跑 N=20，以 pilot + 机制实证结案；D-2 先补工程前置再跑 N=20；D-3 按现计划直接跑。
+
+## Decision Outcome
+
+**采用 B + C（数据面 + 结论面）；执行层面 N=20 由另一 agent 进行中（用户知悉推荐为 D-1）——但其结论 MUST 按本 ADR 的口径书写。**
+
+1. **判决量口径**：`R_uncovered(last_candidate)` 为主判决量；`R_uncovered(final)` 仅作**构造性记录**（并标注「A1/A2 恒 0 系 argmin 回退的算术后果」）。阴性对照不变量 `last_candidate(A2) ≈ last_candidate(A3)` 进预注册。
+2. **结论边界**：本实验能支持的最强结论是「**在准入式裁判 + 无回灌的当前形态下，裁判信号只影响循环的验收，不影响模型行为**（pilot：三臂候选质量逐位相同 0.950）」。⇒ P1（奖励黑客）应表述为「**本形态下无发生机制**」，**不得**表述为「未发现 P1」；更不得据此宣称 §4.3 第 8 条已满足。
+3. **§4.3 表述**：维持用户 2026-10-15 签批的**限定表述**；新增第三分支「**无法判别 ⇒ 归档为仪器不具判别力、禁令维持、明令禁止用『再加大 N』自我续命**」。
+4. **路线图解绑**：「裁判结论回灌（verifier-in-the-loop）」设为**无条件**的下一子计划 —— 它在 P1/P2 两种结局下都是同一笔代码（P1 成立时它是解药；P2 成立时模型仍看不见裁判，它仍是质量杠杆）。实验结论**只影响 ADR 措辞，不影响代码路线图**。
+5. **资产折旧登记**：一旦回灌落地，本实验已预注册的阈值与结论只对「准入式裁判 + 循环」有效；A3 的自变量强度从「1 位（收/不收）」变为「可持续注入的方向信号」，实验必须重跑或明确分域。**此条写入 ADR，不留给下一任发现。**
+
+## Consequences
+
+- **Positive**：判决量变得可识别（A1/A2 不再是常数行）；报告不会把 harness 的构造差异洗成「显著结论」；§4.3 的门禁不被退化证据解除。
+- **Negative / 代价**：`R_uncovered(final)` 这一原设计核心指标被降级为构造性记录（Task 3/4b 已按其建过测试与 W4 披露，需按本 ADR 更新口径与 docstring）；阴性对照需要**重复同臂**（A3 跑两遍）估采样噪声底，否则「≈ 噪声」没有可判定界。
+- **已知未决（随 N=20 一并登记）**：DeepSeek 无 `seed`、`temperature` 未设未记 ⇒「同输入同输出」对 `--real` 是假陈述，`AGENT-EVALUATION-HARNESS` §3.1「同种子」MUST 结构上不可满足（只能登记偏离）；Token 成本走 `ceil(len/3.0)` 且只计 completion、不计 prompt（系数登记为 UNVERIFIED）；无逐篇落盘/续跑/重试/连通预检/成本硬闸；rater 零执行入口却写进交付物清单。
+
+## Rejected Alternatives（备选项与否决理由）
+
+- **A（维持原判决量跑满）**：否决 —— 2/3 观测量是常量，N=20 只会放大 rollback 构造差异；用它解锁门槛即 dead-green。
+- **D-1（不跑 N=20）**：**推荐但未被采纳**（用户选择让另一 agent 继续跑）。代价：多花 ~12k token 与一次编排注意力；收益：一份完整数据集（若按 B 的口径记录，仍可复用）。
+- **D-2（先补工程前置再跑）**：**条件性成立** —— 若那次跑动中途失败或要重跑，MUST 先补「逐篇落盘 + 续跑 / `temperature` 钉定并记录 / `--real` 连通预检 / 成本硬闸」四件，否则一次瞬断即全损且连残值都拿不到。
+
+## 下一子计划（回灌通道）的硬依赖（技术透镜给出，随本 ADR 登记）
+
+1. **裁判 FP 必须先修完并有回归标定**：本批实证 3 类误报（自由第三格 / 主语 NP 内修饰 / 焦点小词）全在语法族；而 prose 分流下**只有语法族被计数** ⇒ 回灌到散文时误报**直接变成「必须修」的指令**。现成标定工具：`tools/bench_judge_fp.py`。
+2. 回灌内容 MUST 过同一道适用性闸（`violations_for` / `_polish_violations_of` 的单参口径）与同一道双限截断（`truncate_evidence`：40 行 / 4000 字节）—— 否则散文会被喂 `a1_*` 格式族违规、诱导模型加称呼语（撞 `tests/test_server.py:6833` 钉死的契约），且一条长 message 可撑爆 prompt。
+3. **三角一致性先于回灌**：循环裁判（带 nlp）/ 模型自查工具 `writing_check`（不带 nlp）/ 将来的回灌源 —— 必须先定优先级，否则「模型信哪个」没有答案。
+4. **顺序依赖**：阴性对照不变量 MUST 在动产品之前先跑成基线，否则回灌后无法区分「模型变好」与「回灌改变了接受阈」。