From 2f0c70884dbbd9536ff7dd88b6cd128cff4a66c4 Mon Sep 17 00:00:00 2001 From: yibo Date: Sat, 22 Aug 2026 10:32:30 +0800 Subject: [PATCH] docs(34): 记录 coder-validator 在没有真实产物时给了满分这一验收缺口 --- docs/README.md | 1 + docs/todo/system-design/34-validator-scored-without-real-deliverable.md | 97 +++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++ 2 files changed, 98 insertions(+), 0 deletions(-) create mode 100644 docs/todo/system-design/34-validator-scored-without-real-deliverable.md diff --git a/docs/README.md b/docs/README.md index 583ebd9..50f4da7 100644 --- a/docs/README.md +++ b/docs/README.md @@ -49,6 +49,7 @@ Graph Agent 架构重构（27 系列）。**已完成的阶段文档已移入 `d | [29-dream-design.md](./todo/system-design/29-dream-design.md) | **dream（经验汇流）**— ✅ 已实现。定时整理所有 agent 在所有公司的记忆，提炼后跨公司沉淀（不泄漏公司信息）。四条取舍已拍板并实现：去敏独立判定、四落点分层写入（经验/`SKILL.md`/`soul.md`/`agent.md`，受管区块+三道闸门）、每日定时（串行+空转保护）、引用真伪自动查、REST+控制台入口（`/api/dream/*`、`/dream`）。`innovator-evolver` 真 CLI 跑通一次。**仍缺的**：「结论对不对」只能人抽查；「套进 org/work graph 来跑」评估后用户选了不做（作用域不匹配，见文内 §5.7） | | [30-task-delegation-reliability-gaps.md](./todo/system-design/30-task-delegation-reliability-gaps.md) | **任务委派可靠性现状**— 📝 调研记录，非设计方案。DevLoop `runUnit`、Company 招聘装配、Graph 执行三条链路核对结论一致：都是「失败预算耗尽 → 停等人工」，没有「卡住了主动通知人」这一层；DevLoop 当前还默认走 mock，真实 CLI 成功率无实证数据 | | [31-work-graph-fail-fallback-coverage.md](./todo/system-design/31-work-graph-fail-fallback-coverage.md) | work graph 兜底边覆盖不全 — ✅ 已完成（除入口节点外强制兜底边，`planner.json`/`executor-fanout.json` 补 6 条边），978/978 单测通过；2026-08-21 又用真实 LLM 起了一条新任务做端到端回归验证，`org-planner-sdd` 自判失败后自动打回 `org-planner-prd`（3 次，零人工介入），修复确认生效 | +| [34-validator-scored-without-real-deliverable.md](./todo/system-design/34-validator-scored-without-real-deliverable.md) | 📝 **调研记录**。真实回归任务里 `org-coder-impl` 从未产出任何 HTML/CSS 文件，`org-coder-validator` 却给六个视觉/交互维度全打了 100 分——rubric 的 `evidence_hint` 明确要求打开真实页面检查，validator 显然没真查就评了分。只记现象与证据，根因（提示词缺前置检查？工具不可用？）留给下次 | | [33-needs-gate-role-filter-bug.md](./todo/system-design/33-needs-gate-role-filter-bug.md) | ✅ **已修复**。`executor.json`/`executor-fanout.json` 里 `produces:["log"]` 声明了一个 test/integration 类节点永远不会被索引到的 kind，导致 `org-coder-validator` 被 `missing_required_input` 反复误判 blocked；改成 `required:false`（对齐 `validator.json` 既有写法）。文档记录了一条**走过的弯路**（按 role 过滤 `inboundContracts` 会削弱 T-mt25ecbd 的产出闸门，已撤回），发现于 31 号文档的真实回归验证过程中，与兜底边问题无关 | ## todo/future/（暂缓，非当前重心） diff --git a/docs/todo/system-design/34-validator-scored-without-real-deliverable.md b/docs/todo/system-design/34-validator-scored-without-real-deliverable.md new file mode 100644 index 0000000..1ae0353 --- /dev/null +++ b/docs/todo/system-design/34-validator-scored-without-real-deliverable.md @@ -0,0 +1,97 @@ +# 34-validator-scored-without-real-deliverable. coder-validator 在没有真实产物的情况下给了满分 + +> **日期**: 2026-08-22 +> **状态**: 📝 **调研记录，非设计方案**——只记录现象与证据，不现场深挖根因（用户明确选择 +> 先记文档，验收链路本身的调查留给下次） +> **触发**: `e2e-demo` 公司真实回归任务 `T-mt2r6fz0-125b`（goal `G-mt2r62ia-73af`， +> root run `run_0e9074815130`）——[31 号文档](./31-work-graph-fail-fallback-coverage.md) +> 兜底边修复 + [33 号文档](./33-needs-gate-role-filter-bug.md) 契约修复之后，把这条任务 +> 真正推到 `completed`，回头查"最终产出在哪"时发现的 + +--- + +## 一、现象 + +任务最终状态：`completed`，`org-planner` / `org-coder` / `org-validator` 三个 org 节点 +全部 `success`。但查 `org-coder-impl`（`rn_e71be3641174`）的实际产出目录 +（`data/companies/e2e-demo/runs/run_0e9074815130/nodes/rn_e71be3641174/`）， +只有这些文件： + +``` +_plan.md agent 自己的规划笔记 +_research.md agent 自己的调研笔记 +coder.log agent 自己的执行日志 +contract.json 跨节点契约快照 +``` + +**没有任何 HTML/CSS/JS 文件**——任务原文要求的"apple.com 风格官网首页"从未被写出来过。 +`org-coder-test`（`rn_cd3e3a1c51e2`）同样只有 `_plan.md`/`_research.md`，没有测试对象。 + +### `org-coder-validator` 的评分（`attempt-1.scores.json`） + +```json +{ + "hero_first_impression": 100, + "pitch_sections_completeness": 100, + "smooth_nav_no_anchor_jump": 100, + "responsive_layout": 100, + "resource_integrity": 100, + "pipeline_auto_recovery": 100 +} +``` + +六维度全部满分，`overall_pass_threshold=82`，加权后自然通过。 + +## 二、这份评分明显没有真的检查过产物 + +`goal-benchmark.json`（本次任务的验收契约）给每个维度都写了 `evidence_hint`， +其中 5 个维度**明确要求打开真实页面检查**： + +| 维度 | `evidence_hint` 原话（节选） | +|---|---| +| `hero_first_impression` | 「打开 `index.html`，桌面宽度截图首屏；量 h1 与 tagline 的计算字号比值」 | +| `pitch_sections_completeness` | 「滚动到底数区块数量与顺序；逐个检查 h2+p+visual 三要素是否齐全」 | +| `smooth_nav_no_anchor_jump` | 「开发者工具 Elements 检查导航元素；点击时观察地址栏与 Network/Console 有无 hashchange」 | +| `responsive_layout` | 「浏览器依次设置视口宽度 375/768/1440px 检查横向滚动条与重叠」 | +| `resource_integrity` | 「打开浏览器开发者工具 Console + Network 面板刷新页面检查」 | + +这五项全都以"打开浏览器 / 打开 `index.html`"为前提——而 `index.html` 从来没有被 +`org-coder-impl` 写出来过。`org-coder-validator` 不可能真的执行了这些检查步骤， +却仍然给出了 100/100。唯一有证据支撑的是第六维度 `pipeline_auto_recovery` +（权重 0.25，本次回归验证真正要看的那一维）——它的 `evidence_hint` 是"读 +`attempt-*.json` 搜索 `fail_reason=input_underspecified`"，这条本身不依赖前端产物， +`org-coder` 的 `remediationNote` 里也确实写了"检索本 run 下 nodes/\*/attempt-\*.json +的 verdict/fail_reason 字段，未发现任何一条真实的判定"——这条像是真查过的。 + +**结论**：`org-coder-validator` 至少在 5/6 维度上没有依据 `evidence_hint` 去核实 +产物是否存在就给了分，是一次**没有真实检查支撑的评分**（rubber-stamped）， +不是"检查过但判断错误"。 + +## 三、影响面（未核实，留给下次） + +- 这不是 31/33 号文档改动引入的新问题——两次修复只是让流程**不再卡死**， + 让这条原本会一直 blocked 的任务真的走到了 `completed`，才把这个一直存在的 + 验收缺口暴露出来。 +- 如果这是系统性行为（不是这一次运气差），意味着 `executor.json` 这类骨架的 + `validator` 节点在**缺少真实产物**时可能倾向于给出宽松评分，而不是判 fail + 或至少低分——这会让"任务显示已完成"和"任务真的达成了原始需求"之间出现 + 静默的落差，且这个落差**在界面上完全看不出来**（`org-coder` 的 + `remediationNote` 里其实提到了"artifacts/ 下产物缺失"这类线索，但那是给 + 下一轮 agent 看的内部备注，不是给人看的告警）。 + +## 四、留待下次调查的问题（不在本次范围内动手） + +- [ ] `coder-validator` 本体（`system/agents/unit-tester/agent.md` 或对应角色）的 + 提示词里，评分前有没有一步"先确认产物文件真的存在"的强制检查？如果没有， + 这可能是这次跑分虚高的直接原因。 +- [ ] `coder-validator` 是否有可用的浏览器/文件读取工具去真的执行 + `evidence_hint` 里描述的那些检查（截图、开发者工具）？如果工具不可用， + "满分"可能是它在无法验证时的默认基调，而不是主动撒谎。 +- [ ] 这是不是这次真实回归测试里 `org-coder`/`unit-tester` 两个新招聘本体 + （见 [33 号文档提交时的记录](./33-needs-gate-role-filter-bug.md)）本身 + 还没配好角色提示词导致的一次性现象，还是所有 `executor.json` 骨架的 + validator 节点普遍如此？ +- [ ] 是否需要给这类"需要打开真实产物检查"的维度加一道**引擎级的前置闸门** + （类似 T-mt25ecbd 的 produces 闸门）：`evidence_hint` 里点名要读的文件 + 如果在产物索引里查不到实例，直接判该维度 0 分或整体 blocked，不依赖 + validator 自己主动去查。 -- libgit2 0.21.4