迭代记录 — iteration_log.md

Round 1（首版）

• 依据 benchmark_v1.md 7 维度 + knowhow_v1.md 4 份真实样本，把 D1/D2/D3 转写成 RESEARCH/PLAN/ EXECUTE/VERIFY 四段式各阶段的具体动作（信号词黑名单表、独立性声明要求、结构类/可见语义类裁决表）， D4-D7 按各自 vacuous 规则和权重较低的实际情况给出较简版操作指导。
• 未做真实样本压力测试，规则是否可机械执行未经验证。

Round 2（独立样本压力测试后修正）

• 用 rn_fc9155c598ef（Hunt 用过但 Digest 反算未用过的独立样本）逐维度对照 Round 1 草稿，发现两个 真实缺口（详见 sample_verification.md）：
  1. D2 措辞锚点缺失：样本用"未复用……结论"表达独立重跑，语义等价但没点名"不采信"， benchmark 逐字要求"不采信"这个锚点词才给5档，Round 1 草稿没把这条隐性要求显式化，导致即使 行为完全独立也可能只拿4档。→ 在 PLAN 阶段新增"D2 声明固定模板"，把"不采信"三字定为必须原样 出现的锚点词。
  2. D5(a) 跨文件可复现性缺口：单看 test.log 看不出是否为中断恢复/复用场景，因为这类判定 信息按设计应该在 _research.md 里，但历史样本只留下了 test.log。→ 在 VERIFY 阶段新增 "D5(a) 可复现性核对"动作，要求 test.log 末尾至少补一句场景归属（全新 attempt / 从哪个阶段 恢复），避免只读 test.log 时可复现性链条断裂。
• 修正后未重新对样本3打分（历史样本已既成事实，分数不因规则修订而改变），Round 2 的改动是面向 "未来 unit-tester 照做能不能拿到该拿的档位"，不是替历史样本加分。
• 连续 2 轮之间的分数变化：本次训练不是"评分-改进-再评分"的迭代打分循环（不存在"上一轮总分"这个 概念，Digest 阶段已经用两份样本反算过 92/100 分），Round 1→Round 2 是"起草-压力测试-修正一次" 的单轮验证流程，不适用"连续2轮分数变化

未做的事（如实说明）

• 未对样本1（rn_956c699f1160）做同样的压力测试——任务书允许二选一，样本3信息量更大（含动画 真实性补测，能同时覆盖 D3 两类裁决），选样本3后未见规则出现无法诊断的情况，判断没有必要再测 第二个样本去重复验证已经确认覆盖到的判据点。
• 未修改 unit-tester-methodology-trial/config.json 的 status，未触碰生产 system/agents/ unit-tester/ 任何文件，按任务边界要求，Deploy 与否留给用户人工审查。