harness：独立评审试行与评审校准（阶段二 P7，T006）

.github/pull_request_template.md

@@ -9,7 +9,7 @@
 
 <!-- 派发给执行方的任务先按 docs/templates/task.md 写任务书并合并（计划并入其「步骤与提交顺序」）。 -->
 
-- 任务书：docs/plans/task-<编号>-<名字>.md／无
+- 任务书：docs/plans/task-<编号>-<名字>.md（设计方自行实现时随本 PR 提交；只有纯记录类改动可以写「无」）
 
 - 目标终态：
 - 对应验收编号（docs/specs，新增条目写进规格验收表）：

.github/workflows/auto-merge.yml

@@ -90,6 +90,12 @@ jobs:
           gh label create escape --repo "$GITHUB_REPOSITORY" --color d93f0b --description "合并后才发现的逃逸缺陷，正文写明引入的 PR" --force >/dev/null
           gh label create budget-exceeded --repo "$GITHUB_REPOSITORY" --color d93f0b --description "超出任务预算，不自动合并" --force >/dev/null
           gh pr edit "$PR" --repo "$GITHUB_REPOSITORY" --add-label "class:$CLASS"
+          # R2 及以上：标出待独立评审（设计 8.3，试行）；评审由非设计方经 bin/dispatch review 完成。
+          if [ "$RISK" = "R2" ] || [ "$RISK" = "R3" ]; then
+            gh label create needs-independent-review --repo "$GITHUB_REPOSITORY" --color 1d76db \
+              --description "待非设计方独立评审（试行）" >/dev/null 2>&1 || true
+            gh pr edit "$PR" --repo "$GITHUB_REPOSITORY" --add-label needs-independent-review
+          fi
           gh pr edit "$PR" --repo "$GITHUB_REPOSITORY" --add-reviewer "$OWNER" \
             || echo "未能请 $OWNER 评审（$RISK），可能是其本人开的 PR"
 

docs/plans/backlog.md

@@ -22,7 +22,6 @@
 | B2 | 首次真实发版时确认 `release_check` 与 environment `release` 的审批拦停生效 | 用户决定发版；版本号先与用户确认 | 用户确认版本号并审批，评审方核对 | 方案 §13 V6 |
 | B4 | 按改动行做变异测试（先只支持 Python），自动发现「测试写了但没测到东西」 | 出现一次这类逃逸再做；2026-09-26 评估：约 1 天，每个 PR 的 CI 多 1–4 分钟，覆盖不到 Swift | 评审方 | 修复证据方案讨论（2026-09-26） |
 | B19 | 首次真实发版前确定轻量的发布后观察与恢复步骤：怎样发现安装、导航或数据异常，观察多久，怎样回退并把逃逸缺陷送入回放；先写人工步骤 | 下一次发版准备时，与 B2 同步 | 用户定可接受风险，评审方准备步骤 | Codex 复评覆盖矩阵第 7 环，全链路审计 3.4 |
-| B30 | 核对每周质量检查（`quality.yml`，每周一 02:17 UTC）是否按计划自动触发并通过。2026-09-28 核对：工作流为 active、9-25 起在 main 上，但当天定时到 06:17 UTC 仍未触发（GitHub 定时在高负载时可能延迟或丢弃），至今只有 9-26 一次手动运行 | 2026-10-05（下周一）再核对；P6 已加第二个定时（06:43 UTC），周报列出本周定时触发次数；仍都未触发则改用外部触发 | 评审方 | 全链路审计 2.8 |
 
 ## 2. 可以做，暂未排期
 
@@ -32,7 +31,7 @@
 | B17 | 选定重复出现的任务类别，用干净环境多次运行同一任务集；分开统计 `pass^k`、人审无需修改率、自动合并抽审纠错率、逃逸缺陷、人工时间与 harness 误拦和 CI 等待成本 | 先定口径，同类任务积累到 5 个以上再执行 | 评审方 | Codex 复评问题 5，全链路审计 3.1 |
 | B18 | 下次实质修订调研报告时，在 Claude 编辑源补 METR 样本与时间视界版本、`pass^k` 在异质任务上的限定、自动合并下「无修改合并率」的口径，再重新导出快照 | 随报告下次修订 | 评审方 | Codex 复评「调研文章」部分 |
 | B23 | 停机演练：按规范 §8 停机 → R0 测试 PR 不被自动合并 → 恢复 → 重跑后被自动合并，结果记入规范 §6（步骤已在 P2 写入） | 进入无人值守前一次，之后每季度 | 用户演练，评审方记录 | 全链路审计 G4、1.5，设计第十七节 |
-| B27 | R2+ PR 增加独立上下文评审（另一个设计评审方按评审模板），先在 3 个 PR 上试行，再与用户判断对照校准 | 中；流程成本 | 评审方执行，用户决定是否长期保留 | 全链路审计 G5、2.4 |
+| B27 | 独立评审试行：工具与校准集随阶段二 P7 合并；剩在 3 个 R2 PR 上试行（`bin/dispatch review <PR>`），再与用户判断对照，由用户决定是否常态化 | 小；P7 合并后，随出现的 R2 PR 进行 | 评审方执行，用户决定 | 全链路审计 G5、2.4，设计 8.3 |
 
 ## 3. 持续进行或暂缓
 
@@ -47,7 +46,6 @@
 
 | 编号 | 事项 | 影响 |
 |---|---|---|
-| B11 | Codex 默认模型 `gpt-6-sol` 不能配 ChatGPT 账号使用（`~/.codex/config.toml` 的 `model`） | 直接运行 `codex` 可能报错；实测时改用 `-m gpt-6-astra` |
 | B12 | Codex 的 `bigmodel` 服务商缺少密钥文件 `~/.config/glm-developer/glm.key` | ChatGPT 额度用完时无法换用该服务商 |
 | B13 | V2 探针留下的记录：`~/.codex/config.toml` 中对 scratchpad 探针目录的项目信任与钩子信任 | 无害，可删 |
 
@@ -63,6 +61,8 @@
 | B21 | 派发脚本 `bin/dispatch`（PR #55）与端到端验收：真实 K2 任务 T005 经任务书 #56、实现 #57 全程自动完成，主目录无改动；槽位命名随后修正 | 2026-09-28，PR #58 |
 | B7 | 按任务书预算比对 CI 轮次：合并路由第 5 条超预算即转用户（`run_check.py`），交付度量列出「CI 轮次 / 预算」 | 2026-09-28，PR #59（目标态设计阶段二 P5） |
 | B25 | 试跑记录自动汇总：周报「试跑记录」表从运行记录、PR 与议题生成；任务 002–004 以 `docs/runs/history.json` 登记 PR，指标由周报读取；任务模板不再手填 | 2026-09-28，PR #60（目标态设计阶段二 P6） |
+| B30 | 每周质量检查的定时：2026-09-28 的 02:17 UTC 定时延迟约 6.4 小时后于 08:41 UTC 运行并成功（GitHub 定时会延迟），不是没有触发；P6 已加第二个定时兜底，周报每周列出定时触发次数 | 2026-09-28，PR #63（目标态设计阶段二 P7，攒批） |
+| B11 | Codex 默认模型 `gpt-6-sol` 不能配 ChatGPT 账号：2026-09-28 实测已可用（`codex exec -m gpt-6-sol`，推理强度 max 与 xhigh 均被接受）；独立评审按用户指定改用 gpt-6-sol、max | 2026-09-28，PR #63（目标态设计阶段二 P7，攒批） |
 | B26 | 开启 GitHub secret scanning 与 push protection：用户在仓库设置中开启，API 核对两项均为 enabled | 2026-09-28，PR #52 |
 | B5 | Zcode 守卫的 matcher 补上 MCP 批准类工具（同时补议题、标签类；OpenCode、Pi、Claude Code 一并补齐），重新信任转 B32 | 2026-09-28，PR #51（目标态设计阶段一 P3） |
 | B20 | 回放强制：PR 中每个非文档类 `Defect` 在 head 上须有注入用例、守卫测试或写明原因的暂缓项（`evidence.py`），缺则 harness job 失败 | 2026-09-28，PR #51（目标态设计阶段一 P3） |

docs/plans/task-006-independent-review.md

@@ -0,0 +1,58 @@
+---
+task: T006
+class: K7
+risk: R3
+designer: claude-code
+size: medium
+architecture: false
+spec_refs: []
+no_spec_reason: 护栏与流程改动，验收写在 docs/specs/delivery-harness.md 的约定与验证状态中，没有产品规格验收编号
+budget:
+  wall_clock_min: 480
+  ci_rounds: 3
+  retries: 2
+  tokens: null
+rollback: git revert（删去独立评审工具与校准集；auto-merge 不再打 needs-independent-review 标签）
+---
+
+# 任务：独立评审试行——非设计方只读评审 R2 以上的 PR，并在校准集上量出可信度
+
+状态：设计评审方自行实现（2026-09-28，方案 B：任务书与实现同一个 PR）。来源：目标态设计 8.3、第十六节阶段二 P7；待办 B27；用户决定 5（先在 3 个 R2 PR 上试行）。
+
+## 目标终态
+
+- `bin/dispatch review <PR>` 在只读的评审工作区（`<仓库名>-review`）中，由不是该任务设计方的评审方评审 PR：只给任务书、PR 描述、diff 与证据包，不给执行过程；结论（通过 / 不通过 / 需用户验收与发现列表）以固定格式评论到 PR，并去掉 `needs-independent-review` 标签。
+- 评审方可选 Pi、Codex、Claude Code；默认由 `harness/rules.toml [review] reviewer` 指定（用户 2026-09-28 定为 Pi + glm-5.3），结构上只读，环境里没有 GitHub 凭据；与执行方同一宿主时在评论中标出。
+- 评审方本身失败（报错、超时、额度用尽）记为「评审失败」：不评论为结论、不计入校准。
+- auto-merge 对 R2 及以上的 PR 打 `needs-independent-review`。
+- 校准集 `evals/review/samples.json`：已知有问题的改动（回放用例在 main 上重新注入）与已知良好的已合并 PR；`review.py calibrate` 逐个落盘、可续跑、连续失败即停，算出 TPR 与 TNR，结果入库。
+- 设计方自行实现的任务（任务书随本 PR 提交）不要求运行记录，仍要求每个提交带 `Task:`（`run_check.py`）。
+
+## 非目标与禁止动作
+
+- 不让评审结论替代用户审批，不据此自动合并。
+- 不在本 PR 中决定是否常态化：3 个 R2 PR 试行后由用户决定。
+- 不接入 OpenCode 评审方：2026-09-28 实测 OpenCode 在本机无界面运行卡在初始化，待用户排查后再接。
+
+## 前置条件（不满足就停下报告）
+
+- 至少一种评审方能在本机无界面运行并返回可解析的结论。
+
+## 验收
+
+| 编号 | 验收内容 | 证据类型 | 覆盖（测试名或验证步骤） |
+|---|---|---|---|
+| 不挂规格：护栏 | 结论解析、分离规则、只读参数、无凭据环境、评论格式、失败处理、校准打分与续跑 | 单测 | `tests.test_harness_review_independent` |
+| 不挂规格：护栏 | 设计方自行实现时不要求运行记录、仍要求 `Task:` | 单测 | `tests.test_harness_run_check.RunCheckTest.test_designer_self_implementation_needs_trailers_but_no_record` |
+| 不挂规格：护栏 | R2 以上打待评审标签 | CI 断言 | `tests.test_harness_review_independent.WorkflowTest` |
+| 不挂规格：护栏 | 在校准集上量出 TPR 与 TNR 并入库 | 真实数据 | `evals/review/results/` 下的结果文件 |
+| 不挂规格：护栏 | 3 个 R2 以上 PR 有非设计方的评审结论 | 人工 | 合并后对后续 R2 以上 PR 运行 `bin/dispatch review`，由用户对照（待办 B27） |
+
+## 步骤与提交顺序
+
+| # | 改动 | 涉及文件 | 验证方式 | 对应验收 |
+|---|---|---|---|---|
+| 1 | 评审工具、提示词、分离规则、失败处理、校准与续跑 | `harness/review.py`、`harness/review_prompt.md`、`harness/dispatch.py`、`harness/rules.toml`、`evals/review/samples.json` | `bin/verify` | 第 1、4 行 |
+| 2 | 自行实现的任务不要求运行记录 | `harness/run_check.py` | `bin/verify` | 第 2 行 |
+| 3 | auto-merge 打待评审标签 | `.github/workflows/auto-merge.yml` | `bin/verify` | 第 3 行 |
+| 4 | 校准结果、规范、README、待办同步 | `evals/review/results/`、`docs/specs/delivery-harness.md`、`harness/README.md`、`docs/plans/backlog.md` | `python3 harness/review.py calibrate --reviewer pi` | 第 4 行 |