# evolving_log.md — deep-research Phase 3 Evolving（T-mtcrh6bp，首轮 Small Loop）

格式：轮次 / 版本 / 分数（A 轨总分；B 轨最低场景）/ 弱维度 / 改动 / 理由。
评分可复算入口：`evolve/tools/aggregate.py evolve/scores_v1/round{N}_verdicts.json`；
引文回查留痕：`evolve/tools/verify_quotes.sh`（口径 1/2）+ `evolve/tools/pdf_transcribe.py`（口径 3，S12/S13）。

## R1 — v1.0.0（基线快照 skill_prompt_v1.md = 本体 prompt.md 原文）
- **A 轨 42.31**（D1 37.04 / D2 35.29 / D3 45.83 / D4 36.59 / D5 18.42 / D6 63.89 / D7 58.62 / D8 50.00）
- **B 轨：8/11 场景 < 85**（最低 TS-11 70.0），11 场景 E4 veto 全部通过（零编造）
- 弱维度：D5、D2、D4、D8、D3、D1、D7（7/8 维 <60）
- 改动：无（基线只测不修）
- 根因：v1.0.0 只覆盖「不编造 + 落盘 + 分级」骨架，缺 澄清/派单/并行/核查/留痕 五组方法论——
  91 条判据中 A 轨 73 条只命中 43 条。关键缺口：effort 判级表、派单四要素、并行结构、
  A/B/C/D 证据级别语言、负发现「官方一手无此表述」、PDF 文本层口径（S12/S13 整体不可用）。
- 核对口径发现（非判据）：S8 缓存内**无逐字「Stanford OVAL」**，只有 `github.com/stanford-oval/storm`
  org 路径与 stanford.edu 邮箱 → 机构名按缓存可 grep 形态作答（TS-08 正向样例，R4 反编造生效）。

## R2 — v1.1.0（skill_prompt_v2.md，方法论新增 → +0.1.0）
- **A 轨 95.70**（D1/D2/D4/D7/D8 100；D3 87.50；D5 86.84；D6 88.89）；11 场景 A 简单均值 95.13
- **B 轨：TS-09 = 0（E4 一票否决：引用索引只列 8/12 条）**，其余 10 场景 95–100
- 弱维度/未命中判据（4 条，全部为复评抓出的真实缺陷）：
  1. TS03-A2（D3）——并行留痕只写「4 类工具」，未逐 subagent 列调用 → 留痕粒度不足。
  2. TS07-A3（D5）——(b) 标了「D 级未复检」但 (a) 只写「无法复检」，同轮口径混用。
  3. TS09-A3（D6）——引用索引 8/12，与正文不可机械 diff。
  4. TS09-B1（E4 veto）——同上，索引不完整 = 引用不可核对。
- 改动：skill_prompt_v2.md（v1.0.0 → v1.1.0）。新增：反问清单（≥3 条+默认假设）、计划六要素、
  effort 判级表（C4）+ 成本锚（S18 $45.98–$187.09）、计划可审阅（可修改项/默认假设/确认出口）、
  停机条件两类、速度压力处置；派单四要素 + 边界互斥；并行 3-5 subagent / 3+ 工具调用、
  先宽后窄 + 因果列、工具枚举与意图匹配、Search/Fetch 分工、同源不重复取件；
  A/B/C/D 证据级别（与 tier 双标注）、信源质量启发条目、SIFT 四动词留痕、
  MBFC 逐字权重 + 两条限定语、登记字段补 publisher；负发现「官方一手无此表述」、
  citation recall/precision、S9 双缺陷、归属精度、五维 rubric；局限声明段、过程透明件、
  回传 ≤300 字、PDF 文本层抽取与转写口径、零静默引用三口径。
- 理由：全部对应 R1 未命中判据的条款级缺口；未动任何阈值与权重（digest/ 零改动）。

## R3 — v1.1.1（skill_prompt_v3.md，措辞收紧 → +0.0.1；只重跑 TS-03 / TS-07 / TS-09）
- **A 轨 100.00**（8 维全部 100）；**B 轨 11 场景 95–100，零 veto**
- 弱维度：无
- 改动（4 处措辞）：① 引用索引完整性（正文 [Sn] 个数 = 索引行数，部分索引按零编造条款处理）；
  ② 并行留痕粒度（每次工具调用逐一记录）；③ 不可得项统一「D 级 未复检（症状 + 时间戳）」；
  ④ 局限声明段扩为每一份交付必备。
- 理由：R2 的 4 条未命中全是**条款存在但口径不严**（粒度/统一性/完整性），属措辞层面，故 +0.0.1。
  其余 8 场景的 A 轨判据不受本增量影响，判定沿用 R2（B 轨 E5 不因未复跑而调分——标尺未动）。

## 停机判定
- 通过线：A 轨 ≥90 ✅（100.00）；B 轨逐场景 ≥85 ✅（最低 95.0）；全轮零静默引用 ✅（每条引文先回查缓存，
  三口径留痕，1 条编造 = B 轨 0 分的 veto 全轮未触发）。
- 3 轮收敛（< 10 轮上限，< 单 session 5 轮上限），无需报瓶颈。