# 当前交付能力与未来3–5年 版本：2026-10-21.workunits.2 四个AI影响显著领域的具体交付任务。按接收目标组织输入、AI执行循环、逐主张证据、工具可得性与验收；同一任务供不同职业按适用主张复用，不代表职业全自动化或本站已实跑。 # 编程与软件 AI已能参与完整代码交付循环；明确规则与可运行环境是最实用起点。当前仓库的表现仍需自己的补丁和回归证据。 # 缺陷修复：交付补丁与回归证据 工作单元：W-C01；版本：2026-10-21.workunits.2；复核：2026-10-20 让原本可复现的错误消失，同时保持已有行为。 ## 当前用法 仓库和复现条件明确时，可委派Agent完成补丁与回归循环，再按行为证据接收。 依据：SWT-Bench提供复现测试及补丁前后独立运行方法；当前修复采用建议为据此作出的编辑判断，不冒称本站真实仓库试验。 来源状态：active 本站记录：未对这一完整修复单元发布本站AI试验结果。 条件： - 能够运行相关测试或提供隔离复现 - 补丁范围和关键兼容行为已明确 - 接收者能检查高影响变更和验收器本身 ## 请求与范围 维护者有一个仍未解决的缺陷，并能提供仓库与故障条件。 包含定位、修改和回归循环，止于维护者接收；生产发布是另一项授权与环境决定。 ## 输入 - 仓库快照：提交SHA、安装与测试入口、允许改动范围。 - 失败契约：复现输入、实际与期望行为、影响对象；先核对是否已被其他补丁解决。 ## 交付物 - 可审查补丁及修改理由 - 同一复现步骤的修复前失败、修复后通过记录 - 受影响回归、未测区域和兼容性说明 ## 验收 1. 原错误被真实捕获 方法：在基线和候选上重放同一失败输入，观察行为或状态 拒收：只新增一个永远通过的测试，原问题仍在。 2. 修复未破坏现有约束 方法：运行受影响调用方与边界回归；审阅测试是否被删改绕过 拒收：为通过测试移除权限检查或跳过失败用例。 3. 交付对应可复现环境 方法：核对仓库SHA、依赖、命令与日志；环境失败单列 拒收：把依赖装不上写成缺陷已经修复。 ## 具体例子 输入：缓存刷新后返回旧值；固定仓库版本和可重复的刷新/读取序列。 预期产物：修复缓存失效的补丁、基线失败与候选通过记录、并发读取回归结果。 失败：只清空单元测试中的缓存，让测试变绿，却未改真实刷新路径。 ## 工作重组 以前：维护者逐步定位、手改、补测，再交由同事审阅。 现在：维护者交付故障契约；Agent自行搜索和修改，测试失败返回修复循环；接收以行为与差异为依据。 保留： - 真实故障复现 - 关键兼容性与发布判断 新增： - 环境和上下文准备 - 核验测试是否覆盖根因 - 收集Agent反复失败模式 ## 人的责任与失败接管 确认期望行为与业务影响，裁决需求冲突，决定接收和发布条件；无需逐行亲手完成补丁。 不能复现时返回环境、尝试输入和缺失条件；补丁退化时保留失败证据并继续修正，不能靠缩小原需求宣布成功。 ## 尚待补足 - 尚缺目标仓库原失败→根因补丁→受影响回归的独立接收记录，尤其并发交错与真实依赖。 ## 职业与团队下一步 维护工程、可靠性工程 用一份真实脱敏修复展示故障复现、影响分析、回归和本人做出的取舍。 对照目标岗位的仓库规模、语言及值班要求；缺生产经验时先补受限修复证据，再决定申请或选择初级维护岗位。 /explore?purpose=career&domain=computing 缺陷积压是否来自定位慢、环境难复现，还是接收排队？ 先让Agent处理可复现且范围明确的修复；由熟悉系统者集中处理行为冲突与高影响接收。 选择一周真实积压，比较交付周期、返工与复核用时，再决定增工具、培养复核者或补维护人手。 /explore?purpose=team&domain=computing ## 证据与关系 - SWT-Bench 官方实现：https://github.com/logic-star-ai/swt-bench 定位：README：Overview；Unit Test vs Reproduction Script；gold validation；公开 NeurIPS2024；仓库持续更新；核查 2026-10-20；复查 2027-01-20 支持：提供补丁前后双运行的验收入口。 未覆盖：只生成复现测试，没有保证补丁正确或覆盖未知回归。 - /work-tasks/DEV-21670：来源职责涵盖软件错误修正；未把整个职业任务等同本交付。（partial；2026-10-02.2） - /changes?task=C03：熟悉项目维护的历史证据与净交付成本可作背景。（partial；2026-10-19.boundary.1） ## 任务级判断与证据 采用方式：限定条件下整包委派 从证据到建议：失败契约将搜索空间限定为可观察行为；补丁前后运行与受影响回归能否捕获真实错误，比生成代码是否流畅更有判别力。对无法复现的投诉先接收诊断。 当前可用性：open-implementation；SWT提供容器验收器；修复Agent需接入自己的模型，语料和工具不是此仓库已修复证明。 - SWT-Bench：https://github.com/logic-star-ai/swt-bench 2026-10-20公开仓库HEAD 330a649a764fab2fadaea632776eeae87272f74b；实际运行另固定依赖/镜像/模型；源码公开；需容器资源、目标仓库和模型账户 ### 缺陷测试应在基线失败、正确修复后通过；可用独立失败输入排除补丁和自写测试互相自证。 依据身份：工具与方法依据；状态：active - SWT-Bench 官方实现：https://github.com/logic-star-ai/swt-bench 定位：Overview；unit test/reproduction script modes；关系：method 支持：提供补丁前后双运行的验收入口。 限制：只生成复现测试，没有保证补丁正确或覆盖未知回归。 核查：2026-10-20；来源状态：active 适用限制：只生成复现测试，没有保证补丁正确或覆盖未知回归。 ### 可复现缺陷、可启动依赖和有限改动范围齐备时，可委派Agent整包搜索、修复、重测，按行为结果接收。 依据身份：有条件的编辑推断；状态：active - SWT-Bench 官方实现：https://github.com/logic-star-ai/swt-bench 定位：Overview与gold validation；关系：adjacent 支持：从可运行缺陷控制迁移到修复反馈。 限制：本站没有对新仓库运行；并发、数据损失和环境差异须按变体增加检查。 核查：2026-10-20；来源状态：active 适用限制：本站没有对新仓库运行；并发、数据损失和环境差异须按变体增加检查。 ## 情境变化 ### 并发与一致性 输入变化：竞争条件、异步消息或跨服务重试而非单线程错误。 判断变化：分阶段接收可控制交错的复现后再修；单次通过不能证明竞争消失。 验收变化：加入屏障/故障注入、多种执行交错、幂等及事务不变量检查。 ### 浏览器或设备缺陷 输入变化：原错误依赖渲染、权限、生命周期或具体设备。 判断变化：编译和服务测试只接收代码层；须采用W-C04/W-C05的真实环境交付。 验收变化：重放对应浏览器/真机路径并核对持久状态，不能用Mock替代。 ### 依赖与兼容迁移 输入变化：故障来自依赖升级或多个调用方版本。 判断变化：允许Agent修依赖与适配，但需兼容矩阵而非只运行最新版本。 验收变化：旧/新客户端、锁文件、配置与失败回退各有结果。 研究前沿：公开系统已能构造仓库级复现测试和修复候选；材料不覆盖目标系统全部竞争条件及长期行为。 下一项验证：选一个未解决的授权缺陷；冻结SHA，先让独立复现捕获基线，再接收补丁并重放用户路径和关键回归，保留失败尝试。 未来改判信号： - 新缺陷的独立复现、受影响回归和真实维护接收都持续成立，可考虑扩大相近输入范围。 - 原错误复发、测试被改弱或确认成本抵消收益，应收窄或暂停相应采用。 # 约束内功能交付：从行为契约到真实系统变更 工作单元：W-C02；版本：2026-10-21.workunits.2；复核：2026-10-20 在既有系统内交付一段符合用户行为、数据、权限与资源约束的可运行功能，连同可独立验收的实现和集成证据。 ## 当前用法 行为契约、真实依赖和独立验收齐备时，可整包委派到“可接收的功能实现”；本例的后端导出需满足实际数据、权限和资源验收，再按团队发布权限采纳。 依据：DeepSWE提供相邻仓库级交付与行为独立验收程序范式；SWE-Bench Pro审计说明测试也需校准。两者均非此CSV案例的实测。 来源状态：active 本站记录：此后端代表例未运行：模型试次、通过率、实际耗时/费用和人工介入量均未知。旧有限队列控制不计入本例。 条件： - 目标服务及真实数据库驱动可运行 - 权限/记录一致性/性能阈值先冻结 - 验收可直接检查最终文件与服务状态 ## 请求与范围 产品或开发者已明确需要增加的用户能力、不能破坏的旧行为及接收条件；代表例为给既有订单服务增加可完成的大批量CSV导出。 涵盖需求约束内的实现、真实工具/依赖操作与端到端行为接收，不规定具体代码路径。本例聚焦后端大批量导出，前端、移动或跨服务变体须按各自环境补证；不含生产发布决策。旧有限串行队列仍是exampleId=code的历史限定样例，只证明其去重/冲突/重试控制，不代表本次数据库、HTTP或并发后端已验证。 ## 输入 - 目标与行为契约：功能的用户操作、输入输出、禁止状态和失败恢复；固定仓库commit及允许改动范围。本例为GET /exports/orders.csv，明确租户/角色权限、筛选/排序/错误语义，以及是否要求请求开始时快照一致性。 - 复现环境：可启动服务、测试数据库版本与种子、脱敏记录集、现有接口行为及大批能力缺口的基线命令、回归入口；禁止把内存模拟数据库替代真实目标驱动而不说明。 - 资源与停止条件：目标行数N、最大响应时间T、峰值内存M由使用方按系统约束冻结；本例未设假装测得的数值。迁移、云资源或权限升级超出授权时给出具体阻塞。 ## 交付物 - 可应用补丁、依赖变更和接口/存储影响说明；如无须改表则说明判断依据 - 基线复现与补丁后原始记录：命令、数据快照、环境、HTTP状态、总行数、耗时与峰值内存 - 独立集成/回归检查及差异；涵盖跨租户隔离、全量记录、取消/断连清理与重试 - 可逆回退入口、已知未覆盖场景及运行预算/失败摘要；不把代码提交当部署成功 ## 验收 1. 新增功能在真实系统中满足契约 方法：验收者只拿冻结契约、原始夹具与补丁，在干净服务/数据库重跑；本例确认基线不具备合格大批量能力、补丁在N记录下满足T和M，保存原始测量。 拒收：界面或接口存在但无法完成真实操作；本例只跑小数据、暗加导出上限或更换硬件后宣布新增能力完成。 2. 导出集合和权限正确 方法：独立SQL按契约生成主键与字段期望；逐项比较CSV解析后的记录，检查重复/遗漏、筛选、稳定排序及租户隔离；接受流式或分批等合法替代。 拒收：多表连接重复订单；分页边界漏行；普通用户下载其它租户记录。 3. 边界和失败可解释 方法：验证空集、引号/逗号/换行/Unicode与契约规定的编码；模拟中途断连及数据变化，检查游标/连接释放和约定的一致性。 拒收：进程返回200但文件半截；断连后连接池耗尽；运行中变更造成不符合约定的混合快照。 4. 旧路径与验收器可信 方法：独立运行受影响接口回归；用已知错误补丁确认验收能拒绝跨租户泄露或漏行，正确替代实现能通过。 拒收：仅作者测试全绿；验收硬编码特定函数或输出次序，拒收语义等价实现。 ## 外部实际产物：DeepSWE v1：Yjs冲突检测公开试次 身份：外部基准试次；发布者报告通过；未独立重放 配置：DeepSWE v1；Yjs base 7795050a74；claude-opus-4.7 high；试次 ESgfZ7p。任务、模型补丁和基线/新增测试日志分别可查。 原始输入：https://deepswe.datacurve.ai/data/tasks/yjs-map-conflict-detection 产物：https://d3ujjcmjq6o8v6.cloudfront.net/trial-artifacts/yjs-map-conflict-detection__ESgfZ7p/artifacts/model.patch 验收日志：https://d3ujjcmjq6o8v6.cloudfront.net/trial-artifacts/yjs-map-conflict-detection__ESgfZ7p/verifier/test-stdout.txt 限制：这是Yjs库的冲突检测变更，不是本页CSV服务的实测、已合并PR或生产部署；单个外部试次不推出一般成功率。 取证：2026-10-21；未在本站重放。 ## 具体例子 输入：代表例：给既有订单服务新增满足冻结N/T/M的大批量CSV导出能力；要求仅当前租户、按订单时间及ID稳定排序，筛选/编码语义与现有小批导出契约一致。基线不具备合格大批量能力，目标参数由使用方冻结。 性能T与内存M在实现前冻结；尚未给定目标仓库和参数，因此没有本例性能结论。快照一致或允许的弱一致语义也须在契约中明确。 预期产物：可运行功能补丁＋同环境基线/新增能力测量＋独立SQL/HTTP/CSV对账＋断连资源检查；这是拟定交付，尚无本例产物或运行成绩。 失败：文件下载成功但漏掉批次边界订单，或用隐藏分页上限使小文件快速返回。旧有限队列产物只可在历史code入口查看，不能作此后端成功证据。 限定校准样例（不代表当前代表例的AI运行）：/work-unit-examples/code ## 工作重组 以前：新增功能被拆成界面、函数、接口、数据与测试分别交接，最终才发现真实依赖或资源约束不满足。 现在：给代理目标仓库、复现和结果约束，让它选瓶颈实验、实现策略与修复顺序；反馈来自服务、数据库及独立验收。无需事先规定必须流式或先写哪一个文件。 保留： - 业务契约取舍 - 目标环境和发布权限 - 回归接收 新增： - 把基线与最终状态放在相同环境比较 - 验收器正反控制 - 资源与连接泄漏的观测 ## 人的责任与失败接管 确定接口语义冲突、可接受性能及上线窗口，提供授权环境并对正式发布负责；代码、测试与诊断可以由代理自行组织，不要求逐步批准。 环境缺失时交出可运行范围、具体阻塞和接通条件；功能破坏权限/完整性则拒收整项并回到同一契约。仅性能未达标时报告实际曲线与瓶颈，不删去困难记录或静默扩大资源。 ## 尚待补足 - 具体功能的接口/数据语义与资源阈值尚需真实输入；本例未绑定目标服务。 - 真实数据库、断连与租户边界需重放 ## 职业与团队下一步 应用开发、业务自动化 真实系统功能补丁、行为复现包、数据库/接口集成与性能证据；历史有限队列不能替代这些材料。 按目标岗位选真实使用场景；区分能写受限实现与能承担部署维护，补齐差异后再比较岗位。 /explore?purpose=career&domain=computing 需求是否清楚，还是实现和联调消耗大量重复沟通？ 将确定需求整包交给Agent；产品/技术负责人处理取舍，独立操作者验收核心路径。 选一个真实系统中的限定功能，记录总执行/接收时间与失败，不用产出代码量替代交付。 /explore?purpose=team&domain=computing ## 证据与关系 - DeepSWE v1.1：仓库变更及独立行为验收：https://deepswe.datacurve.ai/ 定位：v1.1任务分布；Run DeepSWE / Quickstart / Agents and models；https://deepswe.datacurve.ai/run；公开 2026-09-22（页面结果更新）；核查 2026-10-20；复查 2026-11-03 支持：提供仓库级任务、runner和行为检查的重放参照；支持从需求到可运行变更的任务组织。 未覆盖：没有运行本CSV后端，不提供其完成率；扩展到HTTP、数据库与性能是编辑迁移判断。 - OpenAI：SWE-Bench Pro评测问题审计：https://openai.com/index/separating-signal-from-noise-coding-evaluations/ 定位：SWE-Bench Pro任务审计、过严测试/题意缺失/测试覆盖问题；公开 2026-07-08；核查 2026-10-20；复查 2026-11-03 支持：支持先审验收条件及覆盖再解释模型输赢。 未覆盖：厂商审计身份；不能照搬其比例到本站。 - Agent评估：以交付与最终状态验收：https://www.anthropic.com/engineering/demystifying-evals-for-ai-agents 定位：The structure of an evaluation；grader类型；任务设计；公开 2026-01-09；核查 2026-10-19；复查 2026-10-26 支持：支持最终状态和多条有效路径验收。 未覆盖：不是此后端模型成绩。 - DeepSWE v1：Yjs冲突检测公开试次：https://deepswe.datacurve.ai/data/v1/trials/yjs-map-conflict-detection__ESgfZ7p 定位：Trial ESgfZ7p；claude-opus-4.7 high；基线与新增测试日志；model.patch；公开 试次页面未提取可靠首次公开日；核查 2026-10-21；复查 2026-11-21 支持：Yjs冲突检测v1试次提供可读任务、模型补丁与发布者验收日志。 未覆盖：相邻库变更，不是本CSV后端、本站运行或一般成功率。 - /tasks/DEV-01：复用有限串行队列旧场景与已保存代码；它只覆盖新单元的有限实现部分。（partial；2026-10-02.2） - /work-tasks/DEV-21670：该来源任务下保存有限队列实例；实例不扩大到并发或生产支付。（partial；2026-10-02.2） ## 任务级判断与证据 采用方式：限定条件下整包委派 从证据到建议：仓库级行为任务支持把实现和验证作为整包目标；迁移到本例后端需补真实驱动、权限和资源证据。因此推荐在可执行验收下委派功能交付，不从基准数量推一次可靠性；环境缺失时交付诊断与可运行范围。 当前可用性：open-implementation；公开runner可作试验入口；目标服务/数据库尚未提供，本例未实际运行。执行时记录实际agent/model及仓库提交，网页所列模型不是本任务实测配置。 - DeepSWE / Pier / mini-swe-agent：https://deepswe.datacurve.ai/run DeepSWE v1.1；运行器版本将在实际试验时固定；源码/模型API；官方提供单任务运行，榜单使用Modal；本例必须另接目标仓库。 ### 外部已有按仓库状态和行为验收交付代码变更的公开任务入口；可为本任务设计独立验收，而非只验代码文本。 依据身份：工具与方法依据；状态：active - DeepSWE v1.1：仓库变更及独立行为验收：https://deepswe.datacurve.ai/ 定位：v1.1 corpus；/run Quickstart、What is Pier、Single task；关系：adjacent 支持：提供仓库级任务、runner和行为检查的重放参照。 限制：没有运行本CSV后端，不提供其完成率。 核查：2026-10-20；来源状态：active 适用限制：本站未进行该任务的模型运行，不能据此给出本地成功率。 ### 评测失败可能来自题意或测试缺陷，接收器应同时拒绝错误补丁并接纳合法替代。 依据身份：有条件的编辑推断；状态：active - OpenAI：SWE-Bench Pro评测问题审计：https://openai.com/index/separating-signal-from-noise-coding-evaluations/ 定位：SWE-Bench Pro audit：breaking issues分类；关系：method 支持：支持先审验收条件及覆盖再解释模型输赢。 限制：厂商审计身份；不能照搬其比例到本站。 核查：2026-10-20；来源状态：active 适用限制：本站未进行该任务的模型运行，不能据此给出本地成功率。 相关进展（本条判断）： - 软件评测审计使验收器本身进入核对范围：/explore?purpose=understand&domain=computing&window=all#P-C-VALIDATOR-AUDIT 首次公开 2026-07-08 ### 在真实依赖、行为契约和独立验收齐备时，可整包委派功能实现；本例为后端大批量导出，缺少环境时先接收接口/集成诊断。 依据身份：有条件的编辑推断；状态：active - DeepSWE v1.1：仓库变更及独立行为验收：https://deepswe.datacurve.ai/ 定位：Run：任务/agent/模型/环境入口；关系：adjacent 支持：支持从需求到可运行变更的任务组织。 限制：扩展到HTTP、数据库与性能是编辑迁移判断。 核查：2026-10-20；来源状态：active - Agent评估：以交付与最终状态验收：https://www.anthropic.com/engineering/demystifying-evals-for-ai-agents 定位：Outcome-based evaluation与grader设计；关系：method 支持：支持最终状态和多条有效路径验收。 限制：不是此后端模型成绩。 核查：2026-10-19；来源状态：active 适用限制：本站未进行该任务的模型运行，不能据此给出本地成功率。 ## 情境变化 ### 不同用户界面或设备环境 输入变化：交付目标是前端交互或移动设备能力，而非本例后端导出。 判断变化：沿用同一功能交付身份，但需实际UI/设备/状态环境；CSV例不能提供该环境完成性证据。 验收变化：新增操作—持久化—重新进入等端到端状态核验；布局或生成截图不能代替行为结果。 ### 无既有复现 输入变化：只给用户投诉，无固定数据与超时记录。 判断变化：先委派诊断和最小复现；不能直接承诺修复。 验收变化：接收可触发问题的输入、环境和测量；诊断本身不算原功能修复。 ### 强一致大导出 输入变化：运行期间允许订单继续写入，要求请求开始时的快照。 判断变化：需确认数据库隔离/游标成本后委派实现；可能必须先裁决资源与语义。 验收变化：并发写入下对照冻结快照，检查遗漏/重复和长事务影响。 ### 跨服务改造 输入变化：导出需要跨服务授权或数据库迁移。 判断变化：由单仓库交付变为分阶段集成，权限和可回退迁移独立接收。 验收变化：加入版本兼容、旧客户端、迁移回退与部分失败验收。 研究前沿：外部已有跨仓库任务及可重放runner；公开结果证明其限定题集内可衡量交付，不覆盖长期值守或任意生产变更。 下一项验证：在一个授权服务冻结大批量CSV功能契约，先检验参考正确实现与漏行/越权负控制，再让代理完成一次未见功能交付；保存全部重试、性能记录、人工接收时间。 未来改判信号： - 扩大：独立未见需求中，多种数据规模、真实驱动、故障与权限用例持续通过，维护成本可测。 - 收缩：回归只在模拟依赖通过，或schema/数据增长后反复漏行与资源泄漏；先缩到诊断或局部变更。 # 变更审查：交付可定位、可复现的问题 工作单元：W-C03；版本：2026-10-21.workunits.2；复核：2026-10-20 在合并前找出会影响用户或系统的真实问题，并说明审查覆盖。 ## 当前用法 可让AI并行检查差异、定位疑点和构造复现；关键发现需核实，接收不能只看“无问题”。 依据：ReviewBench提供人工参考发现、语料与离线校准方法；未知缺陷、漏报与误报需要按目标仓库另查。 来源状态：active 本站记录：本站未测本单元漏报与误报率。 条件： - 审查者可访问必要上下文 - 重点风险和验收准则明确 - 有复现路径或独立的静态依据 ## 请求与范围 维护者有基线与候选差异，需要独立检查回归、数据和权限影响。 审查指定变更及相关上下文；未发现问题不等同系统安全证明，也不包含自动合并。 ## 输入 - 审查对象：基线/候选SHA、diff、变更目标与允许行为。 - 依赖上下文：调用方、数据约束、迁移与测试入口；优先列高影响路径。 ## 交付物 - 带文件位置、触发条件和影响的问题清单 - 关键问题的复现或静态推导依据 - 已查范围、未查路径及验收器疑点 ## 验收 1. 每条问题可重现或严格定位 方法：重放触发输入或沿真实调用链验证 拒收：只说“可能有性能风险”，没有路径和触发条件。 2. 结论区分缺陷与偏好 方法：用需求和既有行为核对，允许合理替代实现 拒收：把个人命名偏好报成阻断缺陷。 3. 审查没有靠被审补丁自证 方法：检查关键测试/规则是否被改弱，独立核验高影响点 拒收：Agent删掉失败测试后，审查只引用CI全绿。 ## 具体例子 输入：给订单查询增加商品明细JOIN的补丁。 预期产物：发现一单多商品会重复累加付款，给出两商品一付款复现与修改位置。 失败：只检查SQL能运行，漏掉金额被JOIN放大的业务错误。 ## 工作重组 以前：同事阅读diff，手动追调用链和运行检查。 现在：AI按风险搜上下文、提出发现并构造验证；人集中裁决影响和优先级，程序检查明确约束。 保留： - 独立接收 - 关键逻辑与权限审查 新增： - 识别审查幻觉与重复发现 - 检查被改动的测试能否继续捕获问题 ## 人的责任与失败接管 确认问题对业务的严重性，裁决证据冲突和接受残余风险；不需要把AI的每条建议都当待办。 缺上下文时明确未审区域和所需文件；不可复现的疑点保留为待证，不阻断为已证实缺陷。 ## 尚待补足 - 尚缺本仓库有效发现、误报、漏报与确认时间的盲测；参考PR发现集合不是缺陷全集。 ## 职业与团队下一步 软件质量、代码审查与可靠性 用两份真实差异展示一个有效发现与一个被排除误报，附复现和优先级理由。 核对目标岗位的系统深度、安全或测试工程要求；选择作品不足之处补证，而非只列会用AI审查。 /explore?purpose=career&domain=computing Agent生成速度超过现有审查容量，还是审查缺少上下文？ 程序先检查硬约束，AI收敛可证实疑点，系统负责人处理关键发现和跨模块影响。 先测每份变更的有效发现与接收耗时；优先减少重复告警，确有持续缺口再培养或招聘审查人员。 /explore?purpose=team&domain=computing ## 证据与关系 - ReviewBench 官方语料与评测实现：https://github.com/review-bench/ReviewBench 定位：README：golden findings；corpus；offline review；公开 持续更新仓库；本次2026-10-20访问；核查 2026-10-20；复查 2027-01-20 支持：可检查参考发现、版本和裁判方法。 未覆盖：没有运行其模型或目标补丁；不能把未报问题当作安全证明。 - /tasks/DEV-04：复用工具Agent评测与回归诊断的验收思路；工作对象由Agent协议扩展为具体代码变更。（adjacent；2026-10-02.2） ## 任务级判断与证据 采用方式：分阶段接收 从证据到建议：审查搜索可以并行整包进行，但误报与漏报代价不同；每条发现有反证路径，才能从候选收敛为阻断。独立复现比同一Agent对自己补丁再次解释更可信。 当前可用性：open-implementation；ReviewBench语料/参考和离线工具公开；需另配审查Agent、裁判及目标仓库，本站未执行。 - ReviewBench：https://github.com/review-bench/ReviewBench 2026-10-20公开仓库HEAD 2c34a68f73f6473a97cf35bb82baf07e9906404e；实际运行另固定依赖/镜像/模型；公开语料；模型与LLM裁判需自备账户/预算 ### 公开ReviewBench提供真实PR及人工参考发现，可用来校准审查的有效发现和误报；参考集合本身仍不是缺陷全集。 依据身份：可检查产物；状态：active - ReviewBench 官方语料与评测实现：https://github.com/review-bench/ReviewBench 定位：golden findings与offline review；关系：direct 支持：可检查参考发现、版本和裁判方法。 限制：没有运行其模型或目标补丁；不能把未报问题当作安全证明。 核查：2026-10-20；来源状态：active 适用限制：没有运行其模型或目标补丁；不能把未报问题当作安全证明。 ### 可委派独立Agent追调用链、提出可验证发现，再用触发输入/不变量淘汰误报；按真实影响和覆盖接收，不按发现数量。 依据身份：有条件的编辑推断；状态：active - ReviewBench 官方语料与评测实现：https://github.com/review-bench/ReviewBench 定位：golden findings与severity/category；关系：partial 支持：支持把审查结果变成可核查问题。 限制：跨库状态、业务约束和未知漏洞须补上下文；无人发现不等于不存在。 核查：2026-10-20；来源状态：active 适用限制：跨库状态、业务约束和未知漏洞须补上下文；无人发现不等于不存在。 ## 情境变化 ### 权限与持久数据 输入变化：包含租户隔离、金额、迁移或删除数据。 判断变化：先检查高影响不变量并构造反例；仅lint全绿不接收。 验收变化：沿调用方与存储核对权限边界、重试/回退和副作用。 ### 测试与验收器修改 输入变化：补丁本身同时改测试或阈值。 判断变化：先审测试是否仍拒绝错误，再解释CI结果。 验收变化：对被删测试、宽化断言和跳过路径重放独立负控制。 ### 视觉与硬件上下文 输入变化：缺陷由浏览器交互或实物接口触发。 判断变化：静态审查只交候选发现；运行证据转W-C04/W-C10。 验收变化：在真实目标环境验证触发与修复，不凭截图/编译确认。 研究前沿：已有多语言真实PR参考资产和审查系统；参考标注覆盖有限，语义裁判有误差。 下一项验证：用历史真实缺陷、合法替代与无缺陷改动组成盲测；发现后独立复现，记录漏报、误报和确认时间。 未来改判信号： - 在盲测真实PR中有效发现增加且确认/误报时间可控，可考虑扩大相近输入范围。 - 关键权限/数据缺陷漏报，或依赖裁判产生大量不可复现发现，应收窄或暂停相应采用。 # 浏览器功能交付：操作、渲染与可访问性一起验收 工作单元：W-C04；版本：2026-10-21.workunits.2；复核：2026-10-20 交付可在目标浏览器完成真实用户任务的界面变更，附持久状态、视觉差异和可访问性证据。 ## 当前用法 可整包委派已定义交互的实现与浏览器迭代；以真实状态变化接收，键盘和辅助技术另留明确检查。 依据：视觉JavaScript软件缺陷已有专属评估；原研究观察到通用修复系统跨到视觉与另一语言时明显退化；可用Playwright与axe检查常见自动化可访问性缺陷，但需要交互和辅助技术条件验证补足覆盖。 来源状态：active 本站记录：本次只核查公开材料和任务契约；未在本站运行该任务、工具或模型。 条件： - 固定仓库、API数据种子、浏览器/视口、语言、网络条件与访问身份；性能预算按真实业务冻结。 - 保留原页面trace和响应数据，允许Agent选DOM/截图/代码工具探索，关键结果从服务状态反查。 ## 请求与范围 给定页面、用户意图和设计参照，定义提交后/刷新后应保留的状态以及加载、无数据、失败和无权限行为。 范围为已给设计/行为目标的页面或组件，不把视觉截图等同交互成功；原创品牌设计另定验收。 ## 输入 - 目标状态：给定页面、用户意图和设计参照，定义提交后/刷新后应保留的状态以及加载、无数据、失败和无权限行为。 - 环境与差异：固定仓库、API数据种子、浏览器/视口、语言、网络条件与访问身份；性能预算按真实业务冻结。 - 接收基线：保留原页面trace和响应数据，允许Agent选DOM/截图/代码工具探索，关键结果从服务状态反查。 ## 交付物 - 可应用界面补丁及组件/状态接口变化 - 真实浏览器操作trace、状态对照和视口截图 - 键盘/焦点/语义检查、性能前后测量及未覆盖辅助技术范围 ## 验收 1. 任务确实完成 方法：执行输入—提交—刷新—重进，核对服务端或本地持久状态与错误恢复。 拒收：只截图漂亮页面，点击按钮无效果。 2. 不同使用条件可接收 方法：对目标视口、加载/失败态、键盘导航及焦点恢复逐项检查；axe只负责可自动发现的规则。 拒收：把零axe告警写成所有辅助技术用户都能完成任务。 3. 改善可重复 方法：在同一数据/网络/设备条件比较性能与布局，保留失败trace。 拒收：只更改阈值或关闭慢路径来声称性能改善。 ## 具体例子 输入：筛选订单后导出，移动宽度下错误提示不挡住重试按钮。 预期产物：补丁、真实请求/文件结果、键盘焦点与三类状态trace。 失败：按钮只是下载伪CSV，刷新后过滤条件丢失。 ## 工作重组 以前：设计、开发、手工点验和缺陷来回交接。 现在：Agent可自主修改页面、启动浏览器、观察trace并迭代，程序核对数据状态；使用者按目标接收体验。 保留： - 确定用户任务、视觉取舍和需要支持的使用条件；辅助技术体验缺口应由相应使用场景验证。 新增： - 在同一数据/网络/设备条件比较性能与布局，保留失败trace。 ## 人的责任与失败接管 确定用户任务、视觉取舍和需要支持的使用条件；辅助技术体验缺口应由相应使用场景验证。 缺API、浏览器或登录身份时交付可重现阻塞与已完成范围；不能用静态图宣告功能交付。 ## 尚待补足 - 目标页面的持久状态、跨浏览器、键盘/读屏与性能矩阵尚未实际重放。 ## 职业与团队下一步 前端开发、质量工程 可应用界面补丁及组件/状态接口变化 选择一个有异步提交和失败恢复的真实页面，先冻结端点/状态控制；让Agent交付并重放键盘、窄屏和慢网路径。 /explore?purpose=career&domain=computing 视觉任务已有独立研究对象，通用Python修复成绩不能迁移成界面完成率；浏览器反馈能把画面、动作和状态放进同一修正循环。 Agent可自主修改页面、启动浏览器、观察trace并迭代，程序核对数据状态；使用者按目标接收体验。 用一项真实授权交付核对可接收产物、失败、返工和接收耗时；据此调整工具/环境与团队分工。 /explore?purpose=team&domain=computing ## 证据与关系 - SWE-bench Multimodal 原论文：https://arxiv.org/abs/2410.03859v1 定位：Abstract；任务定义与实验；公开 2024-10-04；核查 2026-10-20；复查 2027-01-20 支持：证明视觉修复需要独立任务分布。 未覆盖：2024历史系统，不能当成2026当前前端能力上限。 - Playwright accessibility testing：https://playwright.dev/docs/accessibility-testing 定位：Introduction；Example tests；WCAG limitations；公开 未标注单页发布日期；核查 2026-10-20；复查 2027-01-20 支持：给出自动规则和边界。 未覆盖：工具检查不是Agent表现或全面WCAG认证。 - Playwright MCP 官方实现：https://github.com/microsoft/playwright-mcp 定位：README：tools、browser configuration；公开 持续更新仓库；本次2026-10-20访问；核查 2026-10-20；复查 2027-01-20 支持：提供操作与观察的可用接口。 未覆盖：迁移到具体产品仍需独立数据与体验检查。 ## 任务级判断与证据 采用方式：限定条件下整包委派 从证据到建议：视觉任务已有独立研究对象，通用Python修复成绩不能迁移成界面完成率；浏览器反馈能把画面、动作和状态放进同一修正循环。 当前可用性：mixed；浏览器工具公开；模型、应用和浏览器版本需执行时固定，本站未安装。 - Playwright MCP：https://github.com/microsoft/playwright-mcp 2026-10-20公开仓库HEAD ab6d67cbf8b619338f096980806fdbe29432cc4d；实际运行另固定依赖/镜像/模型；开源；Node与浏览器环境，目标应用账户另备 ### 视觉JavaScript软件缺陷已有专属评估；原研究观察到通用修复系统跨到视觉与另一语言时明显退化。 依据身份：外部报告结果；状态：active - SWE-bench Multimodal 原论文：https://arxiv.org/abs/2410.03859v1 定位：Abstract：任务定义与视觉/跨语言实验摘要；关系：partial 支持：证明视觉修复需要独立任务分布。 限制：2024历史系统，不能当成2026当前前端能力上限。 核查：2026-10-20；来源状态：active 配置：SWE-bench M：617任务、17个JS库；论文SWE-agent等原配置，非本站运行。 适用限制：2024历史系统，不能当成2026当前前端能力上限。 相关进展（本条判断）： - SWE-bench Multimodal把视觉JS缺陷单列评估：/explore?purpose=understand&domain=computing&window=all#P-C-VISUAL-REPAIR 首次公开 2024-10-04 ### 可用Playwright与axe检查常见自动化可访问性缺陷，但需要交互和辅助技术条件验证补足覆盖。 依据身份：工具与方法依据；状态：active - Playwright accessibility testing：https://playwright.dev/docs/accessibility-testing 定位：Introduction/Example accessibility tests；关系：method 支持：给出自动规则和边界。 限制：工具检查不是Agent表现或全面WCAG认证。 核查：2026-10-20；来源状态：active 适用限制：工具检查不是Agent表现或全面WCAG认证。 ### 行为契约和目标浏览器齐备时，AI可把实现、操作反馈和修复合成一个交付循环；新状态由独立控制验收。 依据身份：有条件的编辑推断；状态：active - Playwright MCP 官方实现：https://github.com/microsoft/playwright-mcp 定位：README：browser tools/configuration；关系：method 支持：提供操作与观察的可用接口。 限制：迁移到具体产品仍需独立数据与体验检查。 核查：2026-10-20；来源状态：active 适用限制：迁移到具体产品仍需独立数据与体验检查。 ### 可在固定浏览器/设备/数据/网络下委派性能诊断与改动，按可重复测量和真实功能回归接收。 依据身份：有条件的编辑推断；状态：active - Playwright MCP 官方实现：https://github.com/microsoft/playwright-mcp 定位：browser configuration/tools；关系：method 支持：公开操作/观察接口支持工程测量组织。 限制：视觉JS修复研究不评性能；本页面无改善试验。 核查：2026-10-20；来源状态：active 适用限制：视觉JS修复研究不评性能；本页面无改善试验。 ## 情境变化 ### 响应式与视觉还原 输入变化：既有设计有桌面/窄屏差异。 判断变化：可整包交付，先冻结内容和交互，避免用藏内容制造相似。 验收变化：检查断点、长文本、溢出与行为；截图须与真实DOM状态对应。 ### 可访问性与输入设备 输入变化：使用键盘、读屏、缩放或不同输入法。 判断变化：自动规则可批量修复；复杂读屏流程需单独核验。 验收变化：逐步检查名称/角色、顺序、焦点返回和错误朗读。 ### 性能与兼容迁移 输入变化：改变构建、组件、SSR/客户端状态或大列表。 判断变化：按浏览器矩阵分阶段接收。 验收变化：同数据负载记录性能、hydration和旧组件/接口回归。 ### 业务仪表盘交互 输入变化：目标BI/浏览器环境、业务口径/结果内核、角色与发布入口固定。 判断变化：组合A01数据内核和真实界面实现接收；查询Agent案例不是仪表盘完成成绩。 验收变化：交组件/BI文件和运行入口，独立操作筛选/联动/下钻并对账分母/结果；验证角色权限、刷新/缓存/空态/错误态和重新进入。 研究前沿：SWE-bench Multimodal给出视觉JavaScript任务及历史实验，尚不能证明目标产品的跨浏览器与可访问性。 下一项验证：选择一个有异步提交和失败恢复的真实页面，先冻结端点/状态控制；让Agent交付并重放键盘、窄屏和慢网路径。 未来改判信号： - 新页面和浏览器下真实任务、持久状态及键盘流程持续通过，可考虑扩大相近输入范围。 - 视觉相似但交互/焦点/错误恢复退化，需收窄支持矩阵，应收窄或暂停相应采用。 # 移动应用交付：离线、生命周期与设备状态 工作单元：W-C05；版本：2026-10-21.workunits.2；复核：2026-10-20 交付在指定设备和系统版本上可运行的移动功能或修复，并证明进后台、权限变化与升级后的关键状态。 ## 当前用法 可委派实现到设备状态核验；先接收可安装构建，再以生命周期、离线和升级矩阵接收完整交付。 依据：AndroidWorld在真实Android模拟器上以可变参数和持久状态检查任务，说明手机操作结果可以独立于截图评价；ActivityScenario可控制活动生命周期，便于验证后台、销毁与重建引起的状态错误。 来源状态：active 本站记录：本次只核查公开材料和任务契约；未在本站运行该任务、工具或模型。 条件： - 冻结OS/设备、原生或跨平台框架、账号、网络、权限初态与升级前本地库快照。 - 明确断网、重连、冲突、后台/进程死亡、通知/外设和升级失败时的可接受状态；敏感操作限定授权。 ## 请求与范围 提供现有app、仓库、签名构建方式、目标用户动作及应保存/同步的数据。 原生/跨平台均按目标OS接收；Android操作基准仅是状态验收参照，不能提供iOS代码或真机传感器成绩。 ## 输入 - 设备任务：提供现有app、仓库、签名构建方式、目标用户动作及应保存/同步的数据。 - 平台条件：冻结OS/设备、原生或跨平台框架、账号、网络、权限初态与升级前本地库快照。 - 状态约束：明确断网、重连、冲突、后台/进程死亡、通知/外设和升级失败时的可接受状态；敏感操作限定授权。 ## 交付物 - 可安装构建、补丁与版本/依赖清单 - 设备操作记录、生命周期/离线同步/权限检查结果 - 旧版升级数据核对、崩溃/内存迹象与回退或阻塞说明 ## 验收 1. 功能在设备上成立 方法：安装并执行核心任务，重启app后从存储/服务确认结果。 拒收：模拟器截图通过就声称所有真机可用。 2. 环境变化不丢状态 方法：切断网络、旋转、进后台/销毁活动、撤销权限，再重进核对冲突策略与持久数据。 拒收：重连覆盖本地编辑或后台返回产生重复提交。 3. 升级可恢复 方法：从旧版本真实数据升级并验证登录、schema和失败路径；设备特性以实物或对应硬件证据接收。 拒收：全新安装通过，却升级丢数据或通知不达。 ## 具体例子 输入：离线修改地址，进程被系统终止后重新联网，服务端同期也有更新。 预期产物：安装包、两端变更记录和明确冲突结果；保留升级前后数据。 失败：仅重跑UI测试，却丢失用户离线编辑。 ## 工作重组 以前：开发后由测试人员在几台设备手工试用，再补平台问题。 现在：Agent可构建、控制模拟器/设备、查日志并反复修复；实际状态检查决定何时交付，不固定工具调用顺序。 保留： - 确定冲突、数据保留、分发与设备支持政策；平台签名/商店与高影响操作须有实际权限。 新增： - 从旧版本真实数据升级并验证登录、schema和失败路径；设备特性以实物或对应硬件证据接收。 ## 人的责任与失败接管 确定冲突、数据保留、分发与设备支持政策；平台签名/商店与高影响操作须有实际权限。 没有真机/账号/签名时列出可构建部分与阻塞，不把无法观察的生命周期结果写成通过。 ## 尚待补足 - 目标OS/真机、离线冲突、后台回收及旧数据升级尚无完整设备矩阵，Android操作任务不能替代。 ## 职业与团队下一步 移动应用开发 可安装构建、补丁与版本/依赖清单 给一个可脱敏的离线编辑app，冻结冲突策略；在真实目标设备执行编辑—断网—后台杀进程—重连—升级并检查两端记录。 /explore?purpose=career&domain=computing AndroidWorld说明移动状态变化可设定独立奖励；但操作app与开发app不同。借助平台测试接口可形成可验收闭环，传感器/后台和平台差异决定接收边界。 Agent可构建、控制模拟器/设备、查日志并反复修复；实际状态检查决定何时交付，不固定工具调用顺序。 用一项真实授权交付核对可接收产物、失败、返工和接收耗时；据此调整工具/环境与团队分工。 /explore?purpose=team&domain=computing ## 证据与关系 - AndroidWorld 官方环境：https://github.com/google-research/android_world 定位：README：Installation/Quickstart/Docker；公开 持续更新仓库；本次2026-10-20访问；核查 2026-10-20；复查 2027-01-20 支持：提供状态化任务入口与API33参考环境。 未覆盖：是既有app操作，不是移动代码交付评测。 - Android 活动生命周期测试：https://developer.android.com/guide/components/activities/testing 定位：ActivityScenario；activity lifecycle transitions；公开 未标注单页发布日期；核查 2026-10-20；复查 2027-01-20 支持：平台测试支持生命周期验收。 未覆盖：Android方法不覆盖iOS及全部真机硬件。 - AndroidWorld 原论文：https://arxiv.org/abs/2405.14573v1 定位：Abstract；benchmark and robustness analysis；公开 2024-05-23；核查 2026-10-20；复查 2027-01-20 支持：动态状态任务提供迁移参照。 未覆盖：没有本app和当前模型试验，采用建议须由设备矩阵校准。 ## 任务级判断与证据 采用方式：分阶段接收 从证据到建议：AndroidWorld说明移动状态变化可设定独立奖励；但操作app与开发app不同。借助平台测试接口可形成可验收闭环，传感器/后台和平台差异决定接收边界。 当前可用性：mixed；Android公开环境可用；本任务iOS与真机能力需实际工具链，本站没有运行。 - AndroidWorld：https://github.com/google-research/android_world 2026-10-20公开仓库HEAD f8e78c0ab0bb8b5daa681afd0296ed0193a98f1f；实际运行另固定依赖/镜像/模型；开源模拟器环境；模型API自备，默认legacy模型须另确认 - Android ActivityScenario：https://developer.android.com/guide/components/activities/testing 按目标AndroidX/OS固定；Android工具链；真机/模拟器及应用测试权限 ### AndroidWorld在真实Android模拟器上以可变参数和持久状态检查任务，说明手机操作结果可以独立于截图评价。 依据身份：可检查产物；状态：active - AndroidWorld 官方环境：https://github.com/google-research/android_world 定位：README：environment/tasks；Installation；关系：partial 支持：提供状态化任务入口与API33参考环境。 限制：是既有app操作，不是移动代码交付评测。 核查：2026-10-20；来源状态：active 适用限制：是既有app操作，不是移动代码交付评测。 相关进展（本条判断）： - AndroidWorld把移动任务验收接到真实模拟器状态：/explore?purpose=understand&domain=computing&window=all#P-C-MOBILE-STATE 首次公开 2024-05-23 ### ActivityScenario可控制活动生命周期，便于验证后台、销毁与重建引起的状态错误。 依据身份：工具与方法依据；状态：active - Android 活动生命周期测试：https://developer.android.com/guide/components/activities/testing 定位：ActivityScenario lifecycle testing；关系：method 支持：平台测试支持生命周期验收。 限制：Android方法不覆盖iOS及全部真机硬件。 核查：2026-10-20；来源状态：active 适用限制：Android方法不覆盖iOS及全部真机硬件。 ### 在目标设备/权限可用并冻结同步规则时，可将移动代码实现与状态反馈委派为一包；未经设备核验不接收平台特性交付。 依据身份：有条件的编辑推断；状态：active - AndroidWorld 原论文：https://arxiv.org/abs/2405.14573v1 定位：Abstract；dynamic tasks and robustness；关系：partial 支持：动态状态任务提供迁移参照。 限制：没有本app和当前模型试验，采用建议须由设备矩阵校准。 核查：2026-10-20；来源状态：active 适用限制：没有本app和当前模型试验，采用建议须由设备矩阵校准。 ## 情境变化 ### 离线同步与冲突 输入变化：本地和服务端可并行改同一对象。 判断变化：先冻结冲突语义再整包实现，不能默认最后写入覆盖。 验收变化：断网重试、重复消息、时钟变化、进程终止后对账。 ### 权限与生命周期 输入变化：通知、相机、传感器、后台运行或进程被回收。 判断变化：逐设备/OS分阶段验收；模拟器不足时保留硬件验证缺口。 验收变化：拒绝/撤销权限、后台限制、重建、外设失联及内存迹象。 ### 升级与分发 输入变化：旧版本安装、本地schema和签名存在。 判断变化：构建可委派，分发权限与真实升级单独确认。 验收变化：旧数据升级、签名/版本、迁移中断和恢复；不能只新装。 ### iOS或跨平台 输入变化：代码运行在另一OS或桥接插件。 判断变化：只迁移任务方法，不迁移Android能力成绩。 验收变化：使用该平台生命周期、权限、真机与崩溃记录重新接收。 研究前沿：AndroidWorld公开了API33模拟器上可参数化的既有app操作与持久状态检查；原论文做了任务变体稳健性分析。Android官方ActivityScenario可操纵生命周期供检查；二者不构成新app编程、iOS或真机耗电/外设的模型成绩。 下一项验证：给一个可脱敏的离线编辑app，冻结冲突策略；在真实目标设备执行编辑—断网—后台杀进程—重连—升级并检查两端记录。 未来改判信号： - 新OS/旧数据与真机矩阵下同步、权限、后台和升级均可复验，可考虑扩大相近输入范围。 - 模拟器与真机分歧、生命周期丢状态或平台限制使路径失效，应收窄或暂停相应采用。 # 机器学习实验包：数据、训练与可解释的保留集表现 工作单元：W-C06；版本：2026-10-21.workunits.2；复核：2026-10-20 在预算和数据使用边界内交付可重现模型或实验结论，包含独立保留集、切片误差和失败记录。 ## 当前用法 可委派数据检查、训练搜索和模型产物；先校准保留集与泄漏控制，再按冻结指标接收模型，不用竞赛得分替代部署判断。 依据：MLE-bench的公开研究在Kaggle工程任务上实测了Agent的数据准备、模型训练与实验能力；它支持离线实验交付存在，不能直接代表生产收益；MLflow能记录训练参数、代码版本、指标和输出文件，便于交付完整试验账本。 来源状态：active 本站记录：本次只核查公开材料和任务契约；未在本站运行该任务、工具或模型。 条件： - 固定数据版本、标签来源、许可、训练/验证/保留划分、硬件、时间/费用和可用预训练权重。 - 评分器/保留集权限与开发环境分开；明确不可检索答案、训练污染和多次试验选择规则。 ## 请求与范围 定义预测对象、可用时间点、错误代价与接收指标；研究须给可反驳假设与复现目标。 覆盖数据/标签诊断、训练或适配、基线与消融；上线服务与真实业务收益另以W-C15/W-A03接收。 ## 输入 - 研究或预测目标：定义预测对象、可用时间点、错误代价与接收指标；研究须给可反驳假设与复现目标。 - 数据与预算：固定数据版本、标签来源、许可、训练/验证/保留划分、硬件、时间/费用和可用预训练权重。 - 独立评分：评分器/保留集权限与开发环境分开；明确不可检索答案、训练污染和多次试验选择规则。 ## 交付物 - 数据/标签/划分清单和泄漏检查 - 可重跑训练或微调代码、配置、权重与基线比较 - 保留集/误差切片、试验账本、资源和未达到目标的解释 ## 验收 1. 评价不被开发污染 方法：按时间/实体/组划分并审查特征可用时点，保留集由独立入口评分。 拒收：同一用户重复进入训练和测试，或使用未来标签。 2. 结果可重现且代价明确 方法：从固定环境重新训练/加载权重，核对种子、预处理、依赖、尝试次数与实际资源。 拒收：只交最好的截图，丢掉失败与调参预算。 3. 泛化和结论相称 方法：对关键业务群体、漂移与简单基线比较；研究结果含消融与可反证范围。 拒收：验证分上升就声称已改善生产效果或提出新理论。 ## 具体例子 输入：按时间预测设备故障，维修后信息不能在预测时使用。 预期产物：固定时间划分、基线/候选权重、关键设备切片与资源记录。 失败：随机分行让同一设备泄漏进保留集，得高分却无法新设备泛化。 ## 工作重组 以前：数据准备、特征、调参、训练与报告由多人交接。 现在：Agent可按评分反馈自主选择模型、代码与实验，确定性训练器直接运行；保留集和预算与搜索过程分离。 保留： - 确认目标、数据权利、错误代价和上线门槛；不需要手工逐步挑特征，但须保护独立评分。 新增： - 对关键业务群体、漂移与简单基线比较；研究结果含消融与可反证范围。 ## 人的责任与失败接管 确认目标、数据权利、错误代价和上线门槛；不需要手工逐步挑特征，但须保护独立评分。 数据质量或划分不成立时先交诊断和修复方案；预算内未达标是结果，不生成虚构成绩。 ## 尚待补足 - 目标标签/划分与保留集、资源预算和未来时间窗泛化未独立验证，不能继承竞赛分数。 ## 职业与团队下一步 机器学习工程、数据科学、计算机研究 数据/标签/划分清单和泄漏检查 取一个未泄漏的小型真实数据问题，锁定时间/实体保留集与预算，先跑简单参考，再让Agent交完整模型和失败账本；服务化另测。 /explore?purpose=career&domain=computing MLE-bench证明训练与实验可以被Agent组织成可评分交付；其预算、公开数据与榜单条件特定。独立保留集与数据机制限制迁移，不能用多次搜索最好一次作稳定表现。 Agent可按评分反馈自主选择模型、代码与实验，确定性训练器直接运行；保留集和预算与搜索过程分离。 用一项真实授权交付核对可接收产物、失败、返工和接收耗时；据此调整工具/环境与团队分工。 /explore?purpose=team&domain=computing ## 证据与关系 - MLE-bench 原论文：https://arxiv.org/abs/2410.07095v1 定位：Abstract；dataset与resource scaling；公开 2024-10-09；核查 2026-10-20；复查 2027-01-20 支持：训练交付有直接研究而非只由编程成绩外推。 未覆盖：历史竞赛样本；本页不采用或迁移其奖牌比例。 - MLflow Tracking 官方说明：https://mlflow.org/docs/latest/ml/tracking/ 定位：Runs；Models；Tracking Runs；公开 未标注单页发布日期；核查 2026-10-20；复查 2027-01-20 支持：提供可追踪实验接口。 未覆盖：记录不证明无泄漏或指标适合业务。 - MLE-bench 官方实现与可比性公告：https://github.com/openai/mle-bench 定位：README：Leaderboard update；Setup/agents；公开 持续更新仓库；2026-04-24公告；核查 2026-10-20；复查 2027-01-20 支持：可运行训练及评分资产是迁移基础。 未覆盖：官方暂停新提交，任何目标任务成功率仍未知。 ## 任务级判断与证据 采用方式：分阶段接收 从证据到建议：MLE-bench证明训练与实验可以被Agent组织成可评分交付；其预算、公开数据与榜单条件特定。独立保留集与数据机制限制迁移，不能用多次搜索最好一次作稳定表现。 当前可用性：mixed；训练框架和记录工具公开；竞赛/模型/计算资源有条件且本文未消耗新试验。 - MLE-bench：https://github.com/openai/mle-bench 2026-10-20公开仓库HEAD 507f92e1138bb6e40dac5c6ee7a6758e6424bf97；实际运行另固定依赖/镜像/模型；公开代码；Kaggle条款、GPU/数据存储与模型API另备 - MLflow Tracking：https://mlflow.org/docs/latest/ml/tracking/ Tracking文档；具体包版本在实际试验固定；开源记录工具；存储/访问控制另配置 ### MLE-bench的公开研究在Kaggle工程任务上实测了Agent的数据准备、模型训练与实验能力；它支持离线实验交付存在，不能直接代表生产收益。 依据身份：外部报告结果；状态：active - MLE-bench 原论文：https://arxiv.org/abs/2410.07095v1 定位：Abstract；75 competitions；resource scaling；关系：partial 支持：训练交付有直接研究而非只由编程成绩外推。 限制：历史竞赛样本；本页不采用或迁移其奖牌比例。 核查：2026-10-20；来源状态：active 配置：原论文75个Kaggle竞赛，含o1-preview+AIDE等配置；模型/脚手架和预算按原实验区分；未在本站重放。 适用限制：历史竞赛样本；本页不采用或迁移其奖牌比例。 相关进展（本条判断）： - MLE-bench公开训练与实验任务资产：/explore?purpose=understand&domain=computing&window=all#P-C-ML-TRAIN 首次公开 2024-10-09 ### MLflow能记录训练参数、代码版本、指标和输出文件，便于交付完整试验账本。 依据身份：工具与方法依据；状态：active - MLflow Tracking 官方说明：https://mlflow.org/docs/latest/ml/tracking/ 定位：Tracking Runs；Runs/Models；关系：method 支持：提供可追踪实验接口。 限制：记录不证明无泄漏或指标适合业务。 核查：2026-10-20；来源状态：active 适用限制：记录不证明无泄漏或指标适合业务。 ### 在独立保留集和预算受控时，可整包委派训练搜索；采用决策以保留集切片、资源和下游条件作阶段接收。 依据身份：有条件的编辑推断；状态：active - MLE-bench 官方实现与可比性公告：https://github.com/openai/mle-bench 定位：README：leaderboard update/agents；关系：partial 支持：可运行训练及评分资产是迁移基础。 限制：官方暂停新提交，任何目标任务成功率仍未知。 核查：2026-10-20；来源状态：active 适用限制：官方暂停新提交，任何目标任务成功率仍未知。 ## 情境变化 ### 标签与评测集 输入变化：标签噪声、样本不平衡或实体/时间依赖。 判断变化：先接收数据诊断与划分，再搜索模型。 验收变化：抽核标签、实体隔离、未来特征和重复；保留所有清洗影响。 ### 微调与基础模型 输入变化：调用预训练权重、检索或第三方模型。 判断变化：增加许可、上下文与生成评测，不能沿用分类准确率。 验收变化：无检索泄漏，任务/安全控制独立，记录外部API版本。 ### 研究复现与消融 输入变化：目标是论文结果或新方法比较。 判断变化：按贡献与实验接收；理论结论与新颖性另核。 验收变化：对应W-C14的代码/结果/消融及复现差异。 研究前沿：公开训练任务已有实测与可运行资产；当前排行榜暂停新提交，跨方法可比性有限，尚不能证明本组织数据上的泛化。 下一项验证：取一个未泄漏的小型真实数据问题，锁定时间/实体保留集与预算，先跑简单参考，再让Agent交完整模型和失败账本；服务化另测。 未来改判信号： - 在新时间窗/实体保留集持续超过简单基线且资源可追踪，可考虑扩大相近输入范围。 - 标签/未来特征泄漏、切片退化或只保留最好一次结果，应收窄或暂停相应采用。 # 数据管道交付：接入、转换、补数和可信数据集 工作单元：W-C07；版本：2026-10-21.workunits.2；复核：2026-10-20 交付可重放且可对账的数据管道/数据集，保持业务键、口径、时效与访问契约。 ## 当前用法 可委派Agent整包实现与修复管道，先按源到目标控制证明正确，再在代表负载接收时效与治理；固定刷新可直接程序执行。 依据：Spider2-DBT公开了DuckDB/dbt仓库级任务和运行入口，适合检验schema到转换结果的真实状态。 来源状态：active 本站记录：本次只核查公开材料和任务契约；未在本站运行该任务、工具或模型。 条件： - 给连接器/调度器/数据库版本、数据快照、权限、重复/迟到/缺失规则和保留政策。 - 独立准备总量/金额/键约束与下游查询，冻结时效/成本预算；允许测试中断和幂等重放。 ## 请求与范围 固定源/目标schema、业务键、口径、血缘与希望形成的数据集；明确修正优先级和消费接口。 工作对象是来源到目标的数据转换；接入、质量修复、增量/历史重放是同一管道交付的条件变化。数据库物理还原与跨版本切换另见W-C16/W-C17。 ## 输入 - 数据目标：固定源/目标schema、业务键、口径、血缘与希望形成的数据集；明确修正优先级和消费接口。 - 运行条件：给连接器/调度器/数据库版本、数据快照、权限、重复/迟到/缺失规则和保留政策。 - 接收控制：独立准备总量/金额/键约束与下游查询，冻结时效/成本预算；允许测试中断和幂等重放。 ## 交付物 - 可重建接入/转换代码、schema/语义模型及调度配置 - 源到目标对账、重复迟到/质量诊断和补数结果 - 血缘/权限/保留说明、刷新时效/成本和中断恢复控制 ## 验收 1. 数据语义与完整性正确 方法：以业务键、金额、约束及下游查询核对源到目标；异常分类而非直接丢弃。 拒收：行数相等但JOIN放大金额或口径混用。 2. 补数和重跑幂等 方法：施加重复/迟到/中断，重跑并核对人工修正与增量水位。 拒收：补数覆盖后来修正或重跑产生重复数据。 3. 可供消费并可维护 方法：验证数据新鲜度、访问正反矩阵、血缘和schema变化下的下游回归，记录资源。 拒收：数据正确但刷新/权限失效，或消费者取到旧schema。 ## 具体例子 输入：迟到的订单事件与人工修正同时进入日报。 预期产物：可重放管道、键/金额对账、修正优先级及新鲜度。 失败：重复事件多记收入，补数又覆盖人工修正。 ## 工作重组 以前：资料、实现/处理与验证分散交接，完成记录易脱离实际结果。 现在：Agent可查询元数据、写转换、重放并对账，异常才重新探索；程序持续刷新冻结口径。 保留： - 确定业务键、数据权利、口径与保留政策，负责消费者语义变化。 新增： - 验证数据新鲜度、访问正反矩阵、血缘和schema变化下的下游回归，记录资源。 ## 人的责任与失败接管 确定业务键、数据权利、口径与保留政策，负责消费者语义变化。 对账失败保留异常与可重放中间态；不能删行凑总量或静默改水位。 ## 尚待补足 - 连接器、迟到/修正语义、水位和真实下游消费尚需对账与中断重放；云账户访问有公告限制。 ## 职业与团队下一步 数据管道交付：接入、转换、补数和可信数据集 可重建接入/转换代码、schema/语义模型及调度配置 冻结一包重复/迟到/人工修正数据，校准独立对账，再让Agent交管道并注入中断；从下游读取验证重放与新鲜度。 /explore?purpose=career&domain=computing Spider2-DBT提供数据转换仓库任务入口；真实流式/历史补数属于有明确差异的迁移。把对账、水位和修正语义固定，Agent才能从schema搜索到可接收数据。 Agent可查询元数据、写转换、重放并对账，异常才重新探索；程序持续刷新冻结口径。 在真实授权任务核对产物、失败、返工与接收时间，再据此配置工具、环境和人员。 /explore?purpose=team&domain=computing ## 证据与关系 - Spider2 官方任务与维护公告：https://github.com/xlang-ai/Spider2 定位：News；Overview；Spider2-DBT quickstart；公开 持续更新仓库；2026-08-12公告；核查 2026-10-20；复查 2027-01-20 支持：提供数据工程产物任务资产。 未覆盖：不是全天候流式处理成绩；Snowflake公告中断不能转写成本地DBT不可用。 ## 任务级判断与证据 采用方式：分阶段接收 从证据到建议：Spider2-DBT提供数据转换仓库任务入口；真实流式/历史补数属于有明确差异的迁移。把对账、水位和修正语义固定，Agent才能从schema搜索到可接收数据。 当前可用性：open-implementation；Spider2-DBT有本地DuckDB/dbt入口；Snowflake另有账号暂停公告，不混同可用性。 - Spider2-DBT：https://github.com/xlang-ai/Spider2 2026-10-20公开仓库HEAD cafb867313aab4e674652054198f383cf4018943；实际运行另固定依赖/镜像/模型；开源本地入口；模型/资源另备 ### Spider2-DBT公开了DuckDB/dbt仓库级任务和运行入口，适合检验schema到转换结果的真实状态。 依据身份：可检查产物；状态：active - Spider2 官方任务与维护公告：https://github.com/xlang-ai/Spider2 定位：Overview；Spider2-DBT quickstart；关系：partial 支持：提供数据工程产物任务资产。 限制：不是全天候流式处理成绩；Snowflake公告中断不能转写成本地DBT不可用。 核查：2026-10-20；来源状态：active 适用限制：不是全天候流式处理成绩；Snowflake公告中断不能转写成本地DBT不可用。 ### 可委派来源到数据集的代码与诊断，独立核对口径、重放和下游状态后接收；不继承数据库恢复实验成绩。 依据身份：有条件的编辑推断；状态：active - Spider2 官方任务与维护公告：https://github.com/xlang-ai/Spider2 定位：Spider2-DBT任务入口；关系：partial 支持：仓库级转换任务可检查。 限制：流式迟到/治理与本组织数据未实测。 核查：2026-10-20；来源状态：active 适用限制：流式迟到/治理与本组织数据未实测。 ## 情境变化 ### 增量与历史补数 输入变化：迟到、重复、缺组和人工修正交错。 判断变化：先固定业务键/水位/优先级再实现。 验收变化：多次重放、异常/修正、总量桥接与下游一致。 ### 语义数据集与治理 输入变化：多人消费、指标口径、权限/保留变化。 判断变化：数据与语义/访问接口一起接收。 验收变化：口径版本、血缘、权限正反例、到期保留和消费者回归。 ### 性能与流水线恢复 输入变化：刷新延迟、成本或任务中断。 判断变化：按管道结果恢复，不扩成数据库物理恢复。 验收变化：代表吞吐/成本、水位、幂等断点及下游新鲜度。 研究前沿：Spider2-DBT有公开DuckDB/dbt仓库级转换任务和runner，能检验schema到结果；其本地路径不等同全天候流式恢复。维护公告指出Snowflake账户访问受阻，不能把云账号可用性写成已重现结果。 下一项验证：冻结一包重复/迟到/人工修正数据，校准独立对账，再让Agent交管道并注入中断；从下游读取验证重放与新鲜度。 未来改判信号： - 新分区/迟到事件下幂等对账、下游口径和新鲜度同时成立，可考虑扩大相近输入范围。 - 补数覆盖修正、数据重复或schema变化造成静默错误，应收窄或暂停相应采用。 # 事故恢复：从信号到持续业务恢复 工作单元：W-C08；版本：2026-10-21.workunits.2；复核：2026-10-20 在授权环境定位故障并恢复指定用户路径，交付数据/权限不变量与观察窗内恢复证据。 ## 当前用法 可委派Agent关联信号、提出/实施授权内修复并持续验证；影响面大或缺回退时先交诊断与演练，不以根因叙述替代恢复。 依据：AIOpsLab公开提供故障注入、负载、遥测与按任务结果评估的接口，可用于验证Agent是否改变了真实服务状态。 来源状态：active 本站记录：本次只核查公开材料和任务契约；未在本站运行该任务、工具或模型。 条件： - 固定namespace/账户、配置、最近发布、指标/日志/trace、依赖状态、费用/时间预算及可执行回退。 - 事先冻结用户路径、写后读/事务校验、告警和资源阈值；操作前保留状态及时间线。 ## 请求与范围 给服务拓扑、SLI/SLO、正常流量、现象/预期配置和禁止损害的数据/网络边界；没有事件时给计划变更的目标状态。 工作对象是正在失败的服务及恢复状态；计划基础设施交付W-C19、指标/告警W-C20、复盘整改W-C21分别接收。 ## 输入 - 事故目标：给受影响用户路径、服务/数据库/网络拓扑、现象、最近变化、SLI/SLO与禁止损害的数据/权限边界。 - 可观察与可操作环境：固定namespace/账户、配置、最近发布、指标/日志/trace、依赖状态、费用/时间预算及可执行回退。 - 独立流量探针：事先冻结用户路径、写后读/事务校验、告警和资源阈值；操作前保留状态及时间线。 ## 交付物 - 诊断、实际获准恢复动作或待执行边界与配置/代码差异 - 事件时间线、诊断证据、失败尝试及恢复后流量结果 - 回退/观察窗、容量/成本差异和复发行动的可追踪记录 ## 验收 1. 用户目标恢复 方法：执行真实关键请求、错误率/延迟和数据一致性探针，在观察窗验证。 拒收：关闭告警、重启进程后只看pod Running。 2. 操作范围与副作用可接受 方法：比较权限/网络/配置与数据前后差异，检查其他服务与回退。 拒收：为连通服务开放全部网络或删除队列数据。 3. 恢复经得起后续变化 方法：重新施加代表负载或第二事件，检查原修复、容量和复发条件。 拒收：一次请求成功就宣告根因解决，后续发布立即复发。 ## 具体例子 输入：发布后支付请求超时，服务还活着但下游连接受策略阻断。 预期产物：配置差异、受限修复、支付探针和回退/第二次负载结果。 失败：直接允许全网出站，让告警清零却越过网络边界。 ## 工作重组 以前：值班工程师切换日志、图表、云控制台和同事排查。 现在：Agent自主关联遥测、查看配置、试验可逆动作与复测；确定性探针持续检查服务，越过权限或预算返回阻塞。 保留： - 设定服务目标、风险容忍和操作授权，负责不可逆切换与事故沟通；接收以服务证据而非人的操作占比。 新增： - 重新施加代表负载或第二事件，检查原修复、容量和复发条件。 ## 人的责任与失败接管 设定服务目标、风险容忍和操作授权，负责不可逆切换与事故沟通；接收以服务证据而非人的操作占比。 信号矛盾时保留假设和反证，不把最近变更当唯一根因；恢复失败交付尝试、当前状态和升级包，维持能恢复的路径。 ## 尚待补足 - 目标服务拓扑、权限、事务与第二事件下的恢复尚未演练；原论文/试验床不能替代。 ## 职业与团队下一步 SRE、云网络、数据库运行与服务维护 可重建配置/恢复补丁与实际执行或待执行边界 在隔离微服务环境冻结DNS/端口或资源故障，先证明探针捕获错误，再让Agent修复并重复负载/第二事件，保留每条动作与恢复时间。 /explore?purpose=career&domain=computing AIOpsLab可将故障、负载、观察和评估接在同一环境，支持按系统状态验收；真实云拓扑、权限及业务不变量决定迁移边界。稳定配置可直接用脚本执行，Agent主要处理异常和不完整信息。 Agent自主关联遥测、查看配置、试验可逆动作与复测；确定性探针持续检查服务，越过权限或预算返回阻塞。 在真实授权任务核对产物、失败、返工与接收时间，再据此配置工具、环境和人员。 /explore?purpose=team&domain=computing ## 证据与关系 - AIOpsLab 官方框架：https://github.com/microsoft/AIOpsLab 定位：README：Problems；Fault/Workload/Evaluator；公开 持续更新仓库；本次2026-10-20访问；核查 2026-10-20；复查 2027-01-20 支持：可运行事故任务与独立状态检查方法。 未覆盖：框架存在不是目标事故已恢复，也不是长期SRE成绩。 - DBA-Bench v2：https://arxiv.org/abs/2607.22165v2 定位：Abstract；live PostgreSQL/TiDB与persistent scenarios；公开 2026-07-24；v2修订2026-10-10；核查 2026-10-20；复查 2027-01-20 支持：数据库事故有直接状态运维评估。 未覆盖：不是本站故障或所有生产数据库的成功率。 ## 任务级判断与证据 采用方式：分阶段接收 从证据到建议：AIOpsLab可将故障、负载、观察和评估接在同一环境，支持按系统状态验收；真实云拓扑、权限及业务不变量决定迁移边界。稳定配置可直接用脚本执行，Agent主要处理异常和不完整信息。 当前可用性：mixed；公开AIOpsLab提供故障/负载/遥测试验床；真实事故权限、拓扑和用户探针另备。 - AIOpsLab：https://github.com/microsoft/AIOpsLab 2026-10-20公开仓库HEAD ccf08d0d1d5fa5b30f120e2e8549662d44411b35；实际运行另固定依赖/镜像/模型；开源；独立集群/命名空间、遥测与模型API自备 ### AIOpsLab公开提供故障注入、负载、遥测与按任务结果评估的接口，可用于验证Agent是否改变了真实服务状态。 依据身份：可检查产物；状态：active - AIOpsLab 官方框架：https://github.com/microsoft/AIOpsLab 定位：README Problems：Fault/Workload/Evaluator；关系：partial 支持：可运行事故任务与独立状态检查方法。 限制：框架存在不是目标事故已恢复，也不是长期SRE成绩。 核查：2026-10-20；来源状态：active 适用限制：框架存在不是目标事故已恢复，也不是长期SRE成绩。 ### 可在受限权限与独立用户探针下委派环境改造/故障恢复；先演练可逆变更，再接收持续业务恢复及副作用。 依据身份：有条件的编辑推断；状态：active - AIOpsLab 官方框架：https://github.com/microsoft/AIOpsLab 定位：Detection/Localization/Analysis/Mitigation；关系：partial 支持：支持按不同结果分别接收。 限制：真实网络、数据、依赖及成本需任务现场验证。 核查：2026-10-20；来源状态：active 适用限制：真实网络、数据、依赖及成本需任务现场验证。 ### DBA-Bench在活跃负载下观察到诊断、业务恢复和安全执行之间的缺口；数据库事故必须同时检查三者。 依据身份：外部报告结果；状态：active - DBA-Bench v2：https://arxiv.org/abs/2607.22165v2 定位：v2 Abstract；bounded/persistent scenarios；关系：partial 支持：数据库事故有直接状态运维评估。 限制：不是本站故障或所有生产数据库的成功率。 核查：2026-10-20；来源状态：active 配置：v2：PostgreSQL/TiDB，231有界与10持续场景、8自动基线；原始模型/脚手架与约束按论文区分，本站未重放。 适用限制：仅按任务/环境解释，不能由根因分类推断实际恢复。 相关进展（本条判断）： - DBA-Bench以活跃负载区分诊断、恢复和约束：/explore?purpose=understand&domain=computing&window=all#P-C-DBA-STATE 首次公开 2026-07-24；资料修订 2026-10-10：文档版本/结果表述修订；没有据此推定新的模型能力跃迁。 ## 情境变化 ### 事故与渐进发布 输入变化：运行中异常，可能伴随发布或依赖变化。 判断变化：按观察—可逆干预—恢复证据分阶段，但Agent可自行选择调查路径。 验收变化：金丝雀/回滚、用户请求、事务状态与完整时间线。 ### 数据库运行故障 输入变化：锁/连接/配置/容量或依赖故障影响数据库业务，未必需要备份还原。 判断变化：按数据库事务与负载接收；确需备份还原再交W-C16，不能为修复牺牲数据。 验收变化：事务/约束/权限、原负载与恢复后再次变化；保持数据和审计。 研究前沿：AIOpsLab公开连接故障注入、负载、遥测、动作轨迹与检测/定位/分析/缓解评估；这是可执行状态试验床。数据库变体另有DBA-Bench的有负载运维实测，显示诊断、恢复和安全执行仍有缺口；本事故未重放。 下一项验证：在隔离微服务环境冻结DNS/端口或资源故障，先证明探针捕获错误，再让Agent修复并重复负载/第二事件，保留每条动作与恢复时间。 未来改判信号： - 连续故障及后续变更下用户路径恢复，数据和权限保持完整，可考虑扩大相近输入范围。 - 只消除告警而业务未恢复，或恢复动作破坏约束/反复复发，应收窄或暂停相应采用。 # 嵌入式交付：固件、接口与可重放设备行为 工作单元：W-C10；版本：2026-10-21.workunits.2；复核：2026-10-20 交付在指定板卡/外设/实时约束下可运行的固件变更，连同实物或明确标为仿真的接口、时序和故障恢复证据。 ## 当前用法 可委派固件候选、构建和仿真修正；有目标设备与独立接口/时序观测后，再接收实际硬件交付。 依据：EmbedAgent针对固件编程、原理图和跨平台迁移做了专属实验，不同平台/语言表现差异显著；这支持对设备条件分开判断；官方代码提供Wokwi模拟与任务资产，可检查固件/电路的联合结果。 来源状态：active 本站记录：本次只核查公开材料和任务契约；未在本站运行该任务、工具或模型。 条件： - 冻结内存/时序/功耗/并发预算及异常条件，提供可刷写设备、调试器/串口/逻辑分析或等效可信观测。 - 准备可回退镜像、启动方式、看门狗/掉电/升级失败策略及不会损坏设备的测试范围。 ## 请求与范围 给板卡/芯片修订、SDK/RTOS、引脚与接线、外设datasheet、输入刺激和可接受输出。 代码、原理图、驱动和跨平台适配按目标硬件联合接收；仿真只能支持其建模范围，不能认证电气安全、EMC或工业最坏时序。 ## 输入 - 设备目标：给板卡/芯片修订、SDK/RTOS、引脚与接线、外设datasheet、输入刺激和可接受输出。 - 约束与仪器：冻结内存/时序/功耗/并发预算及异常条件，提供可刷写设备、调试器/串口/逻辑分析或等效可信观测。 - 恢复条件：准备可回退镜像、启动方式、看门狗/掉电/升级失败策略及不会损坏设备的测试范围。 ## 交付物 - 固件/驱动/配置、可构建镜像与接线版本 - 协议/中断/资源/时序观测和失败输入回放 - 跨平台差异、实物/仿真覆盖边界与升级恢复产物 ## 验收 1. 接口语义成立 方法：在目标接线/外设施加输入，核对寄存器/协议/采样与实际输出；软件日志与外部观测交叉验证。 拒收：编译通过但引脚或采样单位错误。 2. 资源与并发可接收 方法：测试中断/任务交错、DMA与内存生命周期、代表及最坏可测负载，记录时延/堆栈/丢样。 拒收：轮询演示通过，却中断下丢数据或阻塞超时。 3. 失败不会不可恢复 方法：在明确保护范围内中断升级/断电/外设失联，核对旧镜像启动和诊断信息。 拒收：只测正常烧写，半途掉电后设备无法启动。 ## 具体例子 输入：I2C传感器定时采样并DMA发串口，外设偶发失联，固件需可更新。 预期产物：镜像、引脚/SDK清单、采样波形、超时/并发与恢复结果。 失败：仿真输出稳定，却实物地址/电压错误或中断竞争丢样。 ## 工作重组 以前：固件编程、接线、调试与测试分别往返，代码可编译就进入实物排查。 现在：Agent可联合修改代码/配置/电路描述，按编译和设备反馈搜索；独立刺激和仪器决定真实行为是否接收。 保留： - 确定硬件保护、时序/资源与失效政策；产品认证和不可逆烧录由有相应权限者决定。 新增： - 在明确保护范围内中断升级/断电/外设失联，核对旧镜像启动和诊断信息。 ## 人的责任与失败接管 确定硬件保护、时序/资源与失效政策；产品认证和不可逆烧录由有相应权限者决定。 设备或观测不足只交明确仿真/构建成果；保留无法解释的波形、复位与错误，不将外设返回默认值当正常读数。 ## 尚待补足 - 目标实物电气/接口、最坏可测时序、DMA/资源与掉电恢复证据尚缺。 ## 职业与团队下一步 嵌入式开发 固件/驱动/配置、可构建镜像与接线版本 冻结一项传感器采集/驱动任务，让Agent交镜像并在受保护板卡运行；以外部信号回放、超时/失联和升级中断控制验证。 /explore?purpose=career&domain=computing EmbedAgent直接表明板卡、语言、原理图与迁移条件影响表现，不能照搬通用代码成绩。Agent可自己搜索datasheet和调工具，但必须让物理反馈进入接收，而不是由代码自述完成。 Agent可联合修改代码/配置/电路描述，按编译和设备反馈搜索；独立刺激和仪器决定真实行为是否接收。 在真实授权任务核对产物、失败、返工与接收时间，再据此配置工具、环境和人员。 /explore?purpose=team&domain=computing ## 证据与关系 - EmbedAgent v3：https://arxiv.org/abs/2506.11003v3 定位：Abstract；Embedbench roles and evaluation；公开 2025-04-19；v3修订2026-01-23；核查 2026-10-20；复查 2027-01-20 支持：嵌入式任务有直接研究。 未覆盖：虚拟电路、小板卡任务，不是工业硬件可靠率。 - EmbedAgent 官方实现：https://github.com/icip-cas/EmbedAgent 定位：README：run/evaluate；Wokwi；公开 持续更新仓库；本次2026-10-20访问；核查 2026-10-20；复查 2027-01-20 支持：存在可检查仿真入口。 未覆盖：API/仿真与实物条件不同，不能代替所有硬件测试。 ## 任务级判断与证据 采用方式：分阶段接收 从证据到建议：EmbedAgent直接表明板卡、语言、原理图与迁移条件影响表现，不能照搬通用代码成绩。Agent可自己搜索datasheet和调工具，但必须让物理反馈进入接收，而不是由代码自述完成。 当前可用性：mixed；有公开仿真任务；实物刷写、外部观测、RTOS/SDK按任务提供，没有本站设备试验。 - EmbedAgent/Embedbench：https://github.com/icip-cas/EmbedAgent 2026-10-20公开仓库HEAD 877bae655797d01180b562a673a4dfdaaddbadd6；实际运行另固定依赖/镜像/模型；源码公开；模型、Wokwi和目标工具链条件另核 ### EmbedAgent针对固件编程、原理图和跨平台迁移做了专属实验，不同平台/语言表现差异显著；这支持对设备条件分开判断。 依据身份：外部报告结果；状态：active - EmbedAgent v3：https://arxiv.org/abs/2506.11003v3 定位：Abstract；roles and cross-platform migration；关系：partial 支持：嵌入式任务有直接研究。 限制：虚拟电路、小板卡任务，不是工业硬件可靠率。 核查：2026-10-20；来源状态：active 配置：v3：126案例、9组件、3平台、10种LLM；编程/设计原理图/迁移与检索-编译反馈分别评估，本站未运行。 适用限制：虚拟电路、小板卡任务，不是工业硬件可靠率。 相关进展（本条判断）： - EmbedAgent公开固件、电路和跨平台任务：/explore?purpose=understand&domain=computing&window=all#P-C-EMBED-SIM 首次公开 2025-04-19；资料修订 2026-01-23：文档版本/结果表述修订；没有据此推定新的模型能力跃迁。 ### 官方代码提供Wokwi模拟与任务资产，可检查固件/电路的联合结果。 依据身份：可检查产物；状态：active - EmbedAgent 官方实现：https://github.com/icip-cas/EmbedAgent 定位：README evaluate/Wokwi；关系：partial 支持：存在可检查仿真入口。 限制：API/仿真与实物条件不同，不能代替所有硬件测试。 核查：2026-10-20；来源状态：active 适用限制：API/仿真与实物条件不同，不能代替所有硬件测试。 ### 可把候选固件、配置和调试委派为一包，但跨到目标实物后只按其接口、时序、资源和恢复证据接收。 依据身份：有条件的编辑推断；状态：active - EmbedAgent v3：https://arxiv.org/abs/2506.11003v3 定位：Platform differences/feedback；关系：partial 支持：从平台差异推导阶段接收。 限制：本板卡、RTOS、工具版本和异常条件需要现场核验。 核查：2026-10-20；来源状态：active 适用限制：本板卡、RTOS、工具版本和异常条件需要现场核验。 ## 情境变化 ### 硬件接口与跨平台 输入变化：更换MCU、SDK、RTOS或外设接线。 判断变化：先核对地址/引脚/中断/库语义；旧板成绩不迁移。 验收变化：协议刺激、边界值、校准/单位和失联。 ### 实时资源与并发 输入变化：中断、DMA、cache、低功耗与多个任务交互。 判断变化：分阶段验证可观测不变量，未测最坏时序必须标明。 验收变化：锁/竞争、堆栈、采样丢失和时延/唤醒检查。 ### 启动升级与恢复 输入变化：引导、分区、镜像签名或掉电升级。 判断变化：候选可委派，接收需保护下的实物恢复。 验收变化：不同断点掉电、镜像校验、回退启动与原用户数据。 研究前沿：EmbedAgent有三平台/九组件虚拟电路评估，不能覆盖工业板卡、电气约束、真实DMA/cache与最坏时序；本文不迁移分数。 下一项验证：冻结一项传感器采集/驱动任务，让Agent交镜像并在受保护板卡运行；以外部信号回放、超时/失联和升级中断控制验证。 未来改判信号： - 换板卡/组件后实物接口、资源和失败恢复继续满足约束，可考虑扩大相近输入范围。 - 仿真与物理信号不符、实时边界或安全属性未被观测，应收窄或暂停相应采用。 # 系统方案交付：需求、备选架构与验收契约 工作单元：W-C11；版本：2026-10-21.workunits.2；复核：2026-10-20 交付依据实际流程/数据/接口的系统方案，含可追溯需求、选型取舍、迁移设计和关键假设验证。 ## 当前用法 可委派现状核对、备选设计和原型验证；以事实与约束闭合接收方案，不以篇幅或图表数量接收。 依据：公开公司基准提供跨网站/文档/代码的工作资料环境，可作为系统资料整合与事实检查的方法参照。 来源状态：active 本站记录：本次只核查公开材料和任务契约；未在本站运行该任务、工具或模型。 条件： - 冻结已有接口/schema、用户样例、系统边界、性能/安全/法规/预算约束与证据来源。 - 明确备选方案、无法改变的约束、原型环境和验收标准；外部产品/同事意见要有真实来源。 ## 请求与范围 给现状工作流、参与角色、信息需求、失败/成本与需要改善的可检验结果。 产物为系统分析与可实施契约；项目范围/资源承诺与实际推进状态由W-C22接收，系统采用由W-C24验证。 ## 输入 - 问题与业务目标：给现状工作流、参与角色、信息需求、失败/成本与需要改善的可检验结果。 - 系统事实：冻结已有接口/schema、用户样例、系统边界、性能/安全/法规/预算约束与证据来源。 - 方案检验：明确备选方案、无法改变的约束、原型环境和验收标准；外部产品/同事意见要有真实来源。 ## 交付物 - 现状/信息需求与目标、可追溯需求和验收条件 - 备选架构/选型与成本收益/约束/失败恢复取舍 - 接口/数据映射、集成迁移设计和关键假设原型结果 ## 验收 1. 需求不是凭空补齐 方法：抽查角色任务/数据到原记录；不明确处给影响对照并取得实际取舍。 拒收：由一句需求自行假定所有角色/权限。 2. 方案能满足约束 方法：按接口/数据样例与原型检查关键兼容/容量/成本假设，保留替代方案。 拒收：画架构图却无法处理实际数据或依赖。 3. 契约可用于交付接收 方法：需求→接口/数据→验收可追踪，迁移含切换/失败恢复与运营/采用条件。 拒收：方案只有产品功能清单，没有数据转换或验收。 ## 具体例子 输入：把手工订单对账接入旧系统，预算与数据保留政策固定。 预期产物：备选方案、接口/身份/数据映射、样例原型和验收/迁移契约。 失败：只推荐最流行架构，不处理旧接口和数据保留。 ## 工作重组 以前：资料、实现/处理与验证分散交接，完成记录易脱离实际结果。 现在：Agent可按目标访问资料、构造备选、计算成本并原型验证；实际业务取舍确定后生成可追踪契约。 保留： - 确认业务目标、利益冲突和成本风险取舍；专业/法规约束由真实依据确定。 新增： - 需求→接口/数据→验收可追踪，迁移含切换/失败恢复与运营/采用条件。 ## 人的责任与失败接管 确认业务目标、利益冲突和成本风险取舍；专业/法规约束由真实依据确定。 事实不齐交影响分析与最低核验，不能虚构接口能力/供应商承诺。 ## 尚待补足 - 真实需求歧义、供应商接口与成本假设尚需项目样例/原型反证；没有直接方案质量实测。 ## 职业与团队下一步 系统方案交付：需求、备选架构与验收契约 现状/信息需求与目标、可追溯需求和验收条件 用一个真实集成/替换决策冻结样例接口和数据，给两个关键冲突约束；检查Agent备选是否可执行并以原型反证错误假设。 /explore?purpose=career&domain=computing 公司环境和跨工具资料可支持整合方法，但没有本系统选型的直接能力成绩。AI价值在联合搜索方案、验证接口/数据假设并呈现可执行取舍。 Agent可按目标访问资料、构造备选、计算成本并原型验证；实际业务取舍确定后生成可追踪契约。 在真实授权任务核对产物、失败、返工与接收时间，再据此配置工具、环境和人员。 /explore?purpose=team&domain=computing ## 证据与关系 - TheAgentCompany 官方环境：https://github.com/TheAgentCompany/TheAgentCompany 定位：README：evaluation；task roles/result-based grading；公开 持续更新仓库；本次2026-10-20访问；核查 2026-10-20；复查 2027-01-20 支持：有可检查工作资料和结果环境。 未覆盖：并未提供本系统方案或选型成绩。 - TheAgentCompany v3：https://arxiv.org/abs/2412.14161v3 定位：Abstract；simulated company environment；公开 2024-12-18；v3修订2025-09-10；核查 2026-10-20；复查 2027-01-20 支持：邻近跨工具任务支持资料整合的可行性。 未覆盖：真实组织方案质量与采用效果需原型和实际用户核验。 ## 任务级判断与证据 采用方式：分阶段接收 从证据到建议：公司环境和跨工具资料可支持整合方法，但没有本系统选型的直接能力成绩。AI价值在联合搜索方案、验证接口/数据假设并呈现可执行取舍。 当前可用性：mixed；公开可重建公司环境可研究工作法；真实工单/看板/日历访问与写权限需组织提供，未接入本站。 - TheAgentCompany：https://github.com/TheAgentCompany/TheAgentCompany 2026-10-20公开仓库HEAD 98b68ef82a47690c316f42fddb05baafaab56851；实际运行另固定依赖/镜像/模型；开源；隔离部署和模型账户自备 ### 公开公司基准提供跨网站/文档/代码的工作资料环境，可作为系统资料整合与事实检查的方法参照。 依据身份：可检查产物；状态：active - TheAgentCompany 官方环境：https://github.com/TheAgentCompany/TheAgentCompany 定位：README environment/task roles/result-based grading；关系：partial 支持：有可检查工作资料和结果环境。 限制：并未提供本系统方案或选型成绩。 核查：2026-10-20；来源状态：active 适用限制：并未提供本系统方案或选型成绩。 ### 可委派备选系统方案与关键假设原型，接收需以真实需求、接口/数据、成本和可执行验收闭合。 依据身份：有条件的编辑推断；状态：active - TheAgentCompany v3：https://arxiv.org/abs/2412.14161v3 定位：simulated work environment；关系：partial 支持：邻近跨工具任务支持资料整合的可行性。 限制：真实组织方案质量与采用效果需原型和实际用户核验。 核查：2026-10-20；来源状态：active 适用限制：真实组织方案质量与采用效果需原型和实际用户核验。 ## 情境变化 ### 流程与需求契约 输入变化：信息需求、角色和当前流程不一致。 判断变化：先交可检验目标及口径取舍，再形成接口/数据验收。 验收变化：需求来源、权限/数据样例和正反行为。 ### 选型与迁移设计 输入变化：需买/建/替换系统，存在成本与旧系统约束。 判断变化：备选并列，先原型挑战高风险假设。 验收变化：接口/数据转换、容量/费用、切换/恢复设计；实现另接收。 研究前沿：TheAgentCompany公开跨网站/文档/代码的公司任务及结果检查，证明有可操作工作资料环境；该资料未单独展示本系统需求、选型与迁移方案的AI完成性，因此关键方案须由实际样例/原型接收。 下一项验证：用一个真实集成/替换决策冻结样例接口和数据，给两个关键冲突约束；检查Agent备选是否可执行并以原型反证错误假设。 未来改判信号： - 关键方案假设经实际接口/数据原型反复成立，取舍仍可追溯，可考虑扩大相近输入范围。 - 选型依赖未兑现、需求冲突被隐藏或成本约束失真，应收窄或暂停相应采用。 # 验收器与测试资产交付：能拒绝错误，也能接受合法替代 工作单元：W-C12；版本：2026-10-21.workunits.2；复核：2026-10-20 交付可运行的行为测试/复现与风险覆盖说明，使它捕获已知错误而不把正确实现误判为失败。 ## 当前用法 可委派Agent从行为到测试/复现再校准；先证明检查能区分正反控制，再拿它接收功能或发布。 依据：SWT-Bench公开给出仓库级复现测试、gold patches和执行日志，能检查错误前失败与修复后通过。 来源状态：active 本站记录：本次只核查公开材料和任务契约；未在本站运行该任务、工具或模型。 条件： - 固定基线、一个正确/合法替代、一个有实际错误的版本及环境/数据；避免仅复制被测实现逻辑。 - 提供稳定启动、测试隔离、依赖/时钟/并发控制、日志与允许的运行成本。 ## 请求与范围 给用户/系统应满足的结果、重要不变量、历史缺陷与受影响路径；明确无法自动判定的体验或专业条件。 单元、集成、端到端和非功能按风险选取；不把测试条数、覆盖率或CI绿当作系统质量。复杂环境检查结合对应任务包。 ## 输入 - 行为与风险：给用户/系统应满足的结果、重要不变量、历史缺陷与受影响路径；明确无法自动判定的体验或专业条件。 - 独立控制：固定基线、一个正确/合法替代、一个有实际错误的版本及环境/数据；避免仅复制被测实现逻辑。 - 可运行反馈：提供稳定启动、测试隔离、依赖/时钟/并发控制、日志与允许的运行成本。 ## 交付物 - 可重放测试/复现脚本、测试数据与环境说明 - 正确/错误/合法替代控制结果和失败诊断 - 风险到检查的覆盖映射、遗漏、flaky原因及发布差距 ## 验收 1. 确实区分错误 方法：同一检查在已知错误版本失败、修复/合法替代通过，失败原因对应需求。 拒收：为某种代码写法锁死断言，合法替代也失败。 2. 不靠环境偶然通过 方法：重复重放、清空状态、变顺序，明确超时/依赖与并发；记录不稳定失败。 拒收：测试共享脏数据库或sleep碰巧通过。 3. 覆盖与发布结论相称 方法：按关键风险、权限/数据/环境路径给剩余风险，使用独立缺陷控制挑战测试。 拒收：覆盖率100%就认定没有遗漏或安全问题。 ## 具体例子 输入：付款重复回调造成双记账，正确替代可用事务或唯一键。 预期产物：两种正确实现通过，双记账和缺权限的实现失败；附隔离数据和事件回放。 失败：只检查某函数被调用一次，错过真实账本副作用。 ## 工作重组 以前：QA按用例写脚本，开发修环境，业务最后点验。 现在：Agent可自主构造输入、启动环境、生成检查并用控制修订；程序反复运行，人按风险判断何种证据足够。 保留： - 确定质量风险和发布容忍；验收器的语义与不可自动判断范围需独立核对。 新增： - 按关键风险、权限/数据/环境路径给剩余风险，使用独立缺陷控制挑战测试。 ## 人的责任与失败接管 确定质量风险和发布容忍；验收器的语义与不可自动判断范围需独立核对。 发现验收器错误先修正并重跑双方控制；环境失败单列，不把失败转跳过后宣布通过。 ## 尚待补足 - 尚缺本产品独立真实缺陷、正确与合法替代控制，以及flaky/确认时间记录。 ## 职业与团队下一步 软件质量、测试工程 可重放测试/复现脚本、测试数据与环境说明 用一组真实缺陷、正确修复和不同正确实现盲测，冻结需求后让Agent生成检查，再由独立运行核对拒绝/接收、稳定性与诊断质量。 /explore?purpose=career&domain=computing SWT-Bench直接把复现测试前后运行分开，并区分复现脚本与全套测试。把验收器当交付对象可以合并测试生成/环境诊断/回归，而不强迫先写大量映射实现的测试。 Agent可自主构造输入、启动环境、生成检查并用控制修订；程序反复运行，人按风险判断何种证据足够。 在真实授权任务核对产物、失败、返工与接收时间，再据此配置工具、环境和人员。 /explore?purpose=team&domain=computing ## 证据与关系 - SWT-Bench 官方实现：https://github.com/logic-star-ai/swt-bench 定位：README：Overview；Unit Test vs Reproduction Script；gold validation；公开 NeurIPS2024；仓库持续更新；核查 2026-10-20；复查 2027-01-20 支持：提供直接测试任务资产。 未覆盖：复现脚本模式不包含全套回归；语料不覆盖全部产品风险。 ## 任务级判断与证据 采用方式：限定条件下整包委派 从证据到建议：SWT-Bench直接把复现测试前后运行分开，并区分复现脚本与全套测试。把验收器当交付对象可以合并测试生成/环境诊断/回归，而不强迫先写大量映射实现的测试。 当前可用性：mixed；开源测试资产可检查；没有运行新的模型生成测试。 - SWT-Bench：https://github.com/logic-star-ai/swt-bench 2026-10-20公开仓库HEAD 330a649a764fab2fadaea632776eeae87272f74b；实际运行另固定依赖/镜像/模型；开源；容器、仓库与模型调用预算另备 ### SWT-Bench公开给出仓库级复现测试、gold patches和执行日志，能检查错误前失败与修复后通过。 依据身份：可检查产物；状态：active - SWT-Bench 官方实现：https://github.com/logic-star-ai/swt-bench 定位：Overview；Gold validation；evaluation logs；关系：partial 支持：提供直接测试任务资产。 限制：复现脚本模式不包含全套回归；语料不覆盖全部产品风险。 核查：2026-10-20；来源状态：active 适用限制：复现脚本模式不包含全套回归；语料不覆盖全部产品风险。 ### 可让AI交付并校准验收器，先用真实正反控制和合理替代测试它，再用它判断其他Agent产物。 依据身份：有条件的编辑推断；状态：active - SWT-Bench 官方实现：https://github.com/logic-star-ai/swt-bench 定位：Unit Test mode vs Reproduction Script mode；关系：partial 支持：支持按实际执行结果检查测试。 限制：不能由已知控制表现推出未知缺陷检出率。 核查：2026-10-20；来源状态：active 适用限制：不能由已知控制表现推出未知缺陷检出率。 ## 情境变化 ### 端到端与真实环境 输入变化：浏览器、设备、DB或硬件行为重要。 判断变化：脚本可委派，但必须与目标环境实际状态连接。 验收变化：采用W-C04/C05/C07/C10环境不变量，Mock边界显式记录。 ### 非功能与对抗输入 输入变化：性能、负载、权限或并发条件主导风险。 判断变化：冻结负载/故障/对抗控制后分阶段接收。 验收变化：预算与阈值不能事后修改；检查负控制和副作用。 ### 回归与发布 输入变化：测试来自修复或持续交付。 判断变化：交付发布差距与证据，不能只给总通过数。 验收变化：历史错误重放、flaky隔离、关键风险未覆盖与版本差异。 研究前沿：公开有仓库级测试生成与gold控制；它的覆盖变化不等于业务查全率，真实浏览器/移动/硬件验收还需环境。 下一项验证：用一组真实缺陷、正确修复和不同正确实现盲测，冻结需求后让Agent生成检查，再由独立运行核对拒绝/接收、稳定性与诊断质量。 未来改判信号： - 独立新缺陷被捕获，正确和合理替代被接收，flaky成本可控，可考虑扩大相近输入范围。 - 测试只迎合某种写法、环境偶然通过或关键错误漏检，应收窄或暂停相应采用。 # IT用户任务恢复与配置交付 工作单元：W-C13；版本：2026-10-21.workunits.2；复核：2026-10-20 在获准设备/账户中恢复一个具体用户任务，交付可核对的配置状态、操作/诊断包和面向用户的验证说明。 ## 当前用法 可委派信息收集、诊断和获准配置操作；以原用户实际任务恢复接收，缺设备/身份/遥测时交可用升级包。 依据：微软IT管理员随机试验在登录排障、策略与设备故障情景观察到Copilot辅助的准确性/耗时改善；这不是无人维修实测；Security Copilot在Entra/Intune等工具中的接入受租户、产品权限和容量影响；不能由产品文档推定已经在本用户可用。 来源状态：active 本站记录：本次只核查公开材料和任务契约；未在本站运行该任务、工具或模型。 条件： - 冻结可用遥测、管理入口、允许远程动作、数据备份、恢复凭据和不允许删除的资料；用户私人内容不扩散。 - 提供原用户任务的重放方式、正常参照和升级联系人/诊断字段；不能观察设备时允许返回具体阻塞。 ## 请求与范围 给受影响任务、设备/OS/账号身份、错误、时间、影响范围与用户能确认的恢复结果。 目标是特定用户原来失败任务的恢复；新设备/软件配置与迁移见W-C23，用户指引/培训采用见W-C24。不能访问设备时只接收具体诊断升级包。 ## 输入 - 用户目标与故障：给受影响任务、设备/OS/账号身份、错误、时间、影响范围与用户能确认的恢复结果。 - 可操作与保护：冻结可用遥测、管理入口、允许远程动作、数据备份、恢复凭据和不允许删除的资料；用户私人内容不扩散。 - 验证与升级：提供原用户任务的重放方式、正常参照和升级联系人/诊断字段；不能观察设备时允许返回具体阻塞。 ## 交付物 - 原因线索与可回放操作/配置差异 - 原用户任务恢复或仍受阻的状态证据 - 用户步骤/迁移验收、诊断升级包和可维护知识条目 ## 验收 1. 恢复对应原用户 方法：以同设备/身份重复原工作，检查登录/权限/数据/网络，必要时重启重进。 拒收：管理员能登录就称用户已恢复。 2. 配置不扩大风险 方法：核对权限、策略、版本、备份和数据前后；拒绝以关闭保护或清空资料来消除报错。 拒收：禁用所有安全策略解决登录，却扩大越权。 3. 交接可继续 方法：保存错误/版本/已试步骤和时间线，指引由用户或另一支持者重放；记录不能远程解决部分。 拒收：复制通用教程，无具体设备状态且没有升级信息。 ## 具体例子 输入：新策略后用户无法访问业务应用，管理员仍可访问。 预期产物：该身份/设备策略证据、受限修改、重启后的用户访问与越权负例。 失败：重置所有策略或删除本地资料，暂时不报错但原任务仍失败。 ## 工作重组 以前：支持者问用户、翻日志、查知识库，再远程操作或升级。 现在：Agent自主关联用户描述、设备/账号遥测与知识，执行授权内可逆修复并重测；恢复失败时一次性交付可继续的诊断包。 保留： - 核对用户身份/设备授权、数据保护与高影响账号动作，确认用户任务是否真正恢复。 新增： - 保存错误/版本/已试步骤和时间线，指引由用户或另一支持者重放；记录不能远程解决部分。 ## 人的责任与失败接管 核对用户身份/设备授权、数据保护与高影响账号动作，确认用户任务是否真正恢复。 用户不可配合、设备不在线或缺管理权限时返回具体收集步骤和升级包；不声称已在不可见设备操作。 ## 尚待补足 - 尚未访问目标设备/用户身份验证恢复、保护和重启结果，原RCT不评无人维修。 ## 职业与团队下一步 IT支持、用户服务与端点管理 原因线索与可回放操作/配置差异 取一台获准测试设备和测试账户，冻结一次真实登录/策略故障；让Agent交诊断并执行可逆改动，由原用户路径、权限负例与重启验证恢复。 /explore?purpose=career&domain=computing IT管理员RCT支持人加Copilot的信息和故障工作重组；OSWorld2显示长流程仍会丢约束。将恢复目标和配置副作用同时检查，可把AI建议转成真实交付，不能把答对问卷当修好电脑。 Agent自主关联用户描述、设备/账号遥测与知识，执行授权内可逆修复并重测；恢复失败时一次性交付可继续的诊断包。 在真实授权任务核对产物、失败、返工与接收时间，再据此配置工具、环境和人员。 /explore?purpose=team&domain=computing ## 证据与关系 - IT管理员 Security Copilot RCT v2：https://arxiv.org/abs/2411.01067v2 定位：Abstract；Entra/Intune三类情景；公开 2024-11-01；v2修订2024-11-12；核查 2026-10-20；复查 2027-01-20 支持：IT支持工作有直接领域试验。 未覆盖：厂商相关、参与者加Copilot；本页不转用总体提升幅度。 - Security Copilot inclusion现行说明：https://learn.microsoft.com/en-us/copilot/security/security-copilot-inclusion 定位：Eligibility；products/permissions；agents deployment；公开 未标注单页发布日期；核查 2026-10-20；复查 2027-01-20 支持：明确当前可用条件。 未覆盖：未在本站租户启用，不保证所有设备动作可执行。 - OSWorld2.0 v2：https://arxiv.org/abs/2606.29537v2 定位：Abstract：108 long-horizon workflows；binary/partial；公开 2026-06-28；v2修订2026-07-13；核查 2026-10-20；复查 2027-01-20 支持：长流程约束风险支持结果接收。 未覆盖：通用桌面任务只作迁移边界，不提供IT修复率。 ## 任务级判断与证据 采用方式：分阶段接收 从证据到建议：IT管理员RCT支持人加Copilot的信息和故障工作重组；OSWorld2显示长流程仍会丢约束。将恢复目标和配置副作用同时检查，可把AI建议转成真实交付，不能把答对问卷当修好电脑。 当前可用性：mixed；有条件商业助手与开源桌面试验环境；未连接任何用户设备。 - Security Copilot：https://learn.microsoft.com/en-us/copilot/security/security-copilot-inclusion 2026-10-20核查；租户实际版本/启用另记；需产品许可、容量、角色与组织设置 - OSWorld：https://github.com/xlang-ai/OSWorld 2026-10-20公开仓库HEAD 9f4b4d34319589f3ba6947da6045b0955b08900e；实际运行另固定依赖/镜像/模型；开源隔离桌面环境，模型与系统资源另备 ### 微软IT管理员随机试验在登录排障、策略与设备故障情景观察到Copilot辅助的准确性/耗时改善；这不是无人维修实测。 依据身份：外部报告结果；状态：active - IT管理员 Security Copilot RCT v2：https://arxiv.org/abs/2411.01067v2 定位：Abstract；three scenarios；关系：partial 支持：IT支持工作有直接领域试验。 限制：厂商相关、参与者加Copilot；本页不转用总体提升幅度。 核查：2026-10-20；来源状态：active 配置：v2：Entra/Intune中有/无Security Copilot的随机组；三情景，问答/自由回答口径区分；v2修正时间数字。 适用限制：厂商相关、参与者加Copilot；本页不转用总体提升幅度。 相关进展（本条判断）： - IT管理员RCT覆盖登录、策略和设备排障：/explore?purpose=understand&domain=computing&window=all#P-C-IT-RCT 首次公开 2024-11-01；资料修订 2024-11-12：文档版本/结果表述修订；没有据此推定新的模型能力跃迁。 ### Security Copilot在Entra/Intune等工具中的接入受租户、产品权限和容量影响；不能由产品文档推定已经在本用户可用。 依据身份：工具与方法依据；状态：active - Security Copilot inclusion现行说明：https://learn.microsoft.com/en-us/copilot/security/security-copilot-inclusion 定位：Eligibility；permissions；agents deployment；关系：method 支持：明确当前可用条件。 限制：未在本站租户启用，不保证所有设备动作可执行。 核查：2026-10-20；来源状态：active 适用限制：未在本站租户启用，不保证所有设备动作可执行。 ### Agent可整合诊断与可逆配置，但完整恢复必须由原用户任务、身份和数据/保护不变量验证。 依据身份：有条件的编辑推断；状态：active - OSWorld2.0 v2：https://arxiv.org/abs/2606.29537v2 定位：Abstract：hidden state/constraints；关系：partial 支持：长流程约束风险支持结果接收。 限制：通用桌面任务只作迁移边界，不提供IT修复率。 核查：2026-10-20；来源状态：active 适用限制：通用桌面任务只作迁移边界，不提供IT修复率。 ## 情境变化 ### 用户登录与设备配置 输入变化：身份/策略/客户端版本交互，含安装或连接。 判断变化：先还原原用户故障，按最小可逆变更恢复。 验收变化：原身份成功、越权负例、重启和策略回归。 ### 复杂升级与物理缺口 输入变化：硬件、网络管理或其他团队权限超出远程范围。 判断变化：交具体可继续诊断包，不假装完成维修。 验收变化：版本/错误/时间线、复现、尝试及责任范围清楚；升级后再验证。 研究前沿：直接证据是Entra/Intune辅助管理员情景，通用跨应用基准也非企业端点恢复专属。物理故障、目标租户策略与当前设备效果仍未知。 下一项验证：取一台获准测试设备和测试账户，冻结一次真实登录/策略故障；让Agent交诊断并执行可逆改动，由原用户路径、权限负例与重启验证恢复。 未来改判信号： - 新设备/策略条件下原用户任务恢复，数据和保护保持完整，可考虑扩大相近输入范围。 - 管理员视角通过而用户仍受阻，或依赖过度提权/清数据，应收窄或暂停相应采用。 # 算法候选交付：代码搜索、反例与正确性证据 工作单元：W-C14；版本：2026-10-21.workunits.2；复核：2026-10-20 针对固定问题交付新算法/系统候选及对应的正确性、复杂性或经验改进证据，未解决则说明预算与卡点。 ## 当前用法 可委派新候选、实现和反例循环；按独立评价接收有效成果，理论推广与新颖性另核。 依据：AlphaEvolve专用系统报告算法改进，并有部分公开成果；本站未重放。 来源状态：active 本站记录：本次只核查公开材料和任务契约；未在本站运行该任务、工具或模型。 条件： - 独立正确性/性能评价器、保留输入、硬件与计算/时间/尝试预算；理论结论给命题和允许假设。 - 编译/求解/反例工具和对照实现固定；错误/合法替代先校准，搜索者不能静默改评分器。 ## 请求与范围 已有精确定义的问题和基线，需要探索更好的候选算法/系统，并用独立评价器接收。 对象为明确问题上的新算法/系统候选与可检查论证，允许返回预算内未解决；已有论文贡献的复现另由W-C25接收。 ## 输入 - 问题与基线：输入域、输出语义、已有算法/结果、目标性质、不可放宽约束与必要文献。 - 评价与预算：独立正确性/性能评价器、保留输入、硬件与计算/时间/尝试预算；理论结论给命题和允许假设。 - 验证环境：编译/求解/反例工具和对照实现固定；错误/合法替代先校准，搜索者不能静默改评分器。 ## 交付物 - 候选算法/系统、精确定义与可运行实现 - 反例/正确性/复杂性论证或保留输入下的同条件实验和失败账本 - 相对基线改进、退化边界、预算及未解决部分 ## 验收 1. 问题语义保持 方法：独立核对输入域、输出和约束，反例/边界及保留输入挑战候选。 拒收：放宽约束或只缓存公开样例。 2. 证据匹配主张 方法：一般性/复杂性给完整论证，经验改善同条件比较；数值搜索不能代替一般证明。 拒收：样例更快就声称一般最优。 3. 结果可重查 方法：固定环境重跑基线/候选，保留选择、预算与失败，记录评价器缺口。 拒收：只给最好一次，隐藏改过评分器。 ## 具体例子 输入：在保持精确输出下优化图算法，原算法和输入分布固定。 预期产物：候选代码、反例搜索、保留图性能/内存和语义论证；或预算内未改善说明。 失败：只对公开小图缓存答案，称已改善一般复杂度。 ## 工作重组 以前：候选、实现、反例与资源实验分散进行。 现在：Agent可联合搜索算法/实现/验证路径，程序或求解器给反馈；目标语义、独立评价器和预算保持固定。 保留： - 研究价值、语义与可接受证明由研究负责人确定。 新增： - 核对保留输入、失败账本与评价器未被偷换。 ## 人的责任与失败接管 选择研究价值、语义、预算与证据要求，核对新颖性和一般性。 预算内未找到有效候选就交失败/卡点；评价器有误先修正再重评，不以更容易问题宣告成功。 ## 尚待补足 - 新问题语义、可获得搜索配置、独立评价器和一般复杂性/正确性论证尚需逐项核验。 ## 职业与团队下一步 新算法与系统研究 候选算法/系统、精确定义与可运行实现 固定一个算法问题、基线、评价器和预算，先校准错误/合法替代，再搜索候选并在保留输入重跑，独立检查理论主张。 /explore?purpose=career&domain=computing 候选代码很多，但独立正确性/资源证据不足。 Agent可联合搜索算法/实现/验证路径，程序或求解器给反馈；目标语义、独立评价器和预算保持固定。 固定一个算法问题、基线、评价器和预算，先校准错误/合法替代，再搜索候选并在保留输入重跑，独立检查理论主张。 /explore?purpose=team&domain=computing ## 证据与关系 - AlphaEvolve 白皮书：https://arxiv.org/abs/2506.13131v1 定位：Abstract；evolution/evaluators与algorithm discoveries；公开 2025-06-16；核查 2026-10-20；复查 2027-01-20 支持：直接算法探索研究。 未覆盖：专用系统/选择性成果；不等于任意公开Agent或任意理论问题。 - AlphaEvolve 公开产物：https://github.com/google-deepmind/alphaevolve_results 定位：README与具体算法产物目录；公开 持续更新仓库；本次2026-10-20访问；核查 2026-10-20；复查 2027-01-20 支持：有可定位产物。 未覆盖：本站未运行产物。 ## 任务级判断与证据 采用方式：探索与候选交付 从证据到建议：问题和独立评价器可把算法候选搜索与反证接成循环；结果可以包含代码、可核查特例或论证，但不能从得分直接推广一般理论。 当前可用性：mixed；公开研究成果可检查；研究系统可获得性、预算和目标问题依赖单独核实。 - AlphaEvolve公开结果：https://github.com/google-deepmind/alphaevolve_results 2026-10-20公开仓库HEAD 4226acbf237ff9ad10ba7673a2af127a2d8a5971；实际运行另固定依赖/镜像/模型；可读成果公开；完整搜索服务/配置不据此假定可得 ### AlphaEvolve白皮书报告在可自动评价的算法与计算基础设施问题上产生改进，并有部分公开产物；可把算法和验证共同纳入委派研究。 依据身份：外部报告结果；状态：active - AlphaEvolve 白皮书：https://arxiv.org/abs/2506.13131v1 定位：Abstract；evolution/evaluators；computational problems；关系：partial 支持：直接算法探索研究。 限制：专用系统/选择性成果；不等于任意公开Agent或任意理论问题。 核查：2026-10-20；来源状态：active 配置：2025白皮书专用AlphaEvolve；LLM代码变异、演化与一个或多个任务评价器；不推算未报告任务分母/成本。 适用限制：专用系统/选择性成果；不等于任意公开Agent或任意理论问题。 相关进展（本条判断）： - AlphaEvolve公开算法搜索与部分成果：/explore?purpose=understand&domain=computing&window=all#P-C-ALGORITHM 首次公开 2025-05-14；资料修订 2025-06-16：5月官方首次公布成果；6月白皮书补方法/产物说明，不重置能力首次公开日。 ### 公开AlphaEvolve成果库可作为独立检查和复现入口；不能把成果库当完整搜索系统已经开放。 依据身份：可检查产物；状态：active - AlphaEvolve 公开产物：https://github.com/google-deepmind/alphaevolve_results 定位：README与结果目录；关系：partial 支持：有可定位产物。 限制：本站未运行产物。 核查：2026-10-20；来源状态：active 适用限制：本站未运行产物。 ### 在固定问题和独立评价器下可委派算法搜索，接收候选与反例/论证；一般性、复杂性和新颖性不能只靠样例得分。 依据身份：有条件的编辑推断；状态：active - AlphaEvolve 白皮书：https://arxiv.org/abs/2506.13131v1 定位：evaluation and algorithm search；关系：partial 支持：专用研究展示搜索与验证联合组织。 限制：公开Agent与新问题仍需独立任务检查。 核查：2026-10-20；来源状态：active 适用限制：公开Agent与新问题仍需独立任务检查。 ## 情境变化 ### 理论与反例 输入变化：接收命题、复杂性或正确性证明，而非经验提升。 判断变化：候选探索可委派，完整论证/反例才算相应结果。 验收变化：命题语义、假设、边界、逻辑依赖；若选形式化再验内核与公理。 ### 经验模型与系统 输入变化：接收新模型、调度/数据库等系统原型。 判断变化：按实际运行、资源和保留分布阶段接收。 验收变化：W-C06实验/消融与W-C08系统负载，避免只汇报单次最好。 研究前沿：专用研究系统已有可检查算法成果；搜索配置、任务选择与预算限制公开Agent迁移，目标问题表现未知。 下一项验证：固定一个算法问题、基线、评价器和预算，先校准错误/合法替代，再搜索候选并在保留输入重跑，独立检查理论主张。 未来改判信号： - 新问题和独立保留输入上候选有可核验改进，论证不偷换目标，可考虑扩大相近输入范围。 - 钻评价器漏洞、仅公开样例变好或一般性主张无相应证明，应收窄或暂停相应采用。 # 模型推理服务交付：效果、资源与回滚 工作单元：W-C15；版本：2026-10-21.workunits.2；复核：2026-10-20 把固定权重和特征处理交付为可调用批/在线推理服务，满足效果、资源、故障与版本回滚条件。 ## 当前用法 可委派推理服务实现和演练；以效果/版本一致性、负载与回滚阶段接收，再决定获准流量。 依据：MLflow可记录模型/试验谱系，KServe0.20发布提供流量切分与canary机制；服务行为可以按版本单独核验；实验参数/代码/指标/产物应能连到服务版本，否则离线成绩无法解释线上差异。 来源状态：active 本站记录：本次只核查公开材料和任务契约；未在本站运行该任务、工具或模型。 条件： - 权重/Tokenizer/预后处理、特征、依赖、硬件、数据快照与服务身份固定。 - 离线基线/保留输入、缺失/新类别、依赖失败/负载、旧服务与回滚入口及漂移动作。 ## 请求与范围 已有模型产物，需要在目标硬件与接口下提供可接收推理。 产物为固定模型/特征到批或在线推理服务；检索与工具Agent工作流另由W-C26接收，业务因果效果转W-A03。 ## 输入 - 推理目标：模型输入输出schema、效果切片/错误代价、并发/尾延迟/费用预算。 - 固定环境：权重/Tokenizer/预后处理、特征、依赖、硬件、数据快照与服务身份固定。 - 独立接收：离线基线/保留输入、缺失/新类别、依赖失败/负载、旧服务与回滚入口及漂移动作。 ## 交付物 - 推理服务代码/镜像和权重/特征/依赖版本 - 离线线上一致性、保留切片、异常输入及负载/实际资源结果 - 版本化流量、回滚/依赖失败/漂移响应和未支持输入说明 ## 验收 1. 版本与效果一致 方法：同保留输入核对权重/特征/Tokenizer/输出，检查缺失、新类别和关键切片。 拒收：服务载入旧权重却继承新训练成绩。 2. 负载与失败可接收 方法：固定并发/规模，测尾延迟/吞吐/资源，施加资源不足、依赖超时和异常输入。 拒收：只看HTTP200或最快一次，隐藏资源耗尽。 3. 版本可恢复 方法：按版本对比效果/资源，演练减流/回滚及旧模型-特征一致性，核验漂移响应。 拒收：canary存在但回滚后模型/特征不匹配。 ## 具体例子 输入：离线故障预测器部署API，需处理缺失特征、新类别和并发。 预期产物：同输入版本一致性、切片效果、资源/失败与回滚输出。 失败：接口存活但特征错位，回滚也载入不匹配权重。 ## 工作重组 以前：训练交权重，工程接接口，运行团队另补版本/负载和回滚。 现在：Agent联合实现预处理、推理接口和部署验证；稳定推理由程序执行，效果/环境反馈驱动修正。 保留： - 效果门槛、服务身份、生产流量与费用授权。 新增： - 版本化效果/资源与回滚后模型-特征一致性检查。 ## 人的责任与失败接管 确定错误代价、服务身份、资源和流量授权，裁决效果/费用取舍。 缺目标硬件/保留数据时交具体阻塞；效果或资源不达标保留失败，不改阈值隐藏。 ## 尚待补足 - 目标权重/特征、推理硬件、线上切片/漂移与真实回滚未验证；没有AI部署成功率。 ## 职业与团队下一步 模型推理与机器学习服务 推理服务代码/镜像和权重/特征/依赖版本 固定一个模型API和旧版本，核对保留输入/特征，再测异常/并发/资源并回滚，检查旧服务真实输出。 /explore?purpose=career&domain=computing 模型离线表现与服务效果/资源/版本可能不一致。 Agent联合实现预处理、推理接口和部署验证；稳定推理由程序执行，效果/环境反馈驱动修正。 固定一个模型API和旧版本，核对保留输入/特征，再测异常/并发/资源并回滚，检查旧服务真实输出。 /explore?purpose=team&domain=computing ## 证据与关系 - KServe0.20发布说明：https://github.com/kserve/website/blob/main/blog/2026-08-06-KServe-0.20-release.md 定位：traffic splitting/canary/observability；公开 2026-08-06；核查 2026-10-20；复查 2027-01-20 支持：提供公开部署机制。 未覆盖：机制存在不是模型效果或AI上线可靠率。 - MLflow Tracking 官方说明：https://mlflow.org/docs/latest/ml/tracking/ 定位：Runs；Models；Tracking Runs；公开 未标注单页发布日期；核查 2026-10-20；复查 2027-01-20 支持：提供谱系/版本记录接口。 未覆盖：记录正确性和线上效果仍由任务验证。 ## 任务级判断与证据 采用方式：分阶段接收 从证据到建议：模型工程需要把实验和运行状态接起来。公开KServe提供版本流量/观察机制，MLflow记录模型谱系；这些工具不提供AI部署成绩，采用建议是结合可验证状态作出的编辑判断。 当前可用性：mixed；MLflow/KServe机制公开；目标模型权利、硬件、依赖与部署版本另固定，未在本站运行。 - KServe：https://github.com/kserve/website/blob/main/blog/2026-08-06-KServe-0.20-release.md 0.20发布；具体CRD/Runtime镜像在执行固定；开源；K8s/推理资源、模型权利与云权限另备 - MLflow：https://mlflow.org/docs/latest/ml/tracking/ 按实际服务固定MLflow/模型/存储版本；开源记录工具；API和存储权限另配 ### MLflow可记录模型/试验谱系，KServe0.20发布提供流量切分与canary机制；服务行为可以按版本单独核验。 依据身份：工具与方法依据；状态：active - KServe0.20发布说明：https://github.com/kserve/website/blob/main/blog/2026-08-06-KServe-0.20-release.md 定位：0.20 release：traffic splitting/canary；关系：method 支持：提供公开部署机制。 限制：机制存在不是模型效果或AI上线可靠率。 核查：2026-10-20；来源状态：active 适用限制：机制存在不是模型效果或AI上线可靠率。 ### 实验参数/代码/指标/产物应能连到服务版本，否则离线成绩无法解释线上差异。 依据身份：工具与方法依据；状态：active - MLflow Tracking 官方说明：https://mlflow.org/docs/latest/ml/tracking/ 定位：Tracking Runs；Models；关系：method 支持：提供谱系/版本记录接口。 限制：记录正确性和线上效果仍由任务验证。 核查：2026-10-20；来源状态：active 适用限制：记录正确性和线上效果仍由任务验证。 ### 可委派模型推理工程包，以独立效果、资源/故障和版本回滚接收；不继承训练成绩或服务存活作为业务收益。 依据身份：有条件的编辑推断；状态：active - KServe0.20发布说明：https://github.com/kserve/website/blob/main/blog/2026-08-06-KServe-0.20-release.md 定位：canary与versioned traffic；关系：partial 支持：分版本接收有工具基础。 限制：未在目标环境运行，本任务不提供成功率或业务收益。 核查：2026-10-20；来源状态：active 适用限制：未在目标环境运行，本任务不提供成功率或业务收益。 ## 情境变化 ### 模型推理与漂移 输入变化：训练模型作为批/在线服务。 判断变化：先核对特征/权重一致性，再接收负载和漂移响应。 验收变化：保留切片、未知类别、输入schema、延迟/成本和再训练/回退。 ### 上线试点与回滚 输入变化：需流量切分、效果比较及失败恢复。 判断变化：部署演练可整包交付，生产流量/业务判断另有授权与实验。 验收变化：版本化效果/资源、旧服务回滚与状态完整；收益转W-A03验证。 研究前沿：MLflow追踪谱系与KServe版本化部署机制公开；方法存在不等于本模型/硬件的AI交付可靠率，也不能以存活推断业务收益。 下一项验证：固定一个模型API和旧版本，核对保留输入/特征，再测异常/并发/资源并回滚，检查旧服务真实输出。 未来改判信号： - 新模型/数据版本的线上线下效果、资源和回滚持续一致，可考虑扩大相近输入范围。 - 特征错位、漂移未响应或服务存活掩盖效果退化，应收窄或暂停相应采用。 # 数据库还原：交付可读写的目标恢复点 工作单元：W-C16；版本：2026-10-21.workunits.2；复核：2026-10-20 从备份与日志交付一个经验证的恢复实例，报告实际恢复范围、时点与所需时间。 ## 当前用法 可委派恢复准备与受限还原演练；只有真实目标实例、事务核对与业务探针通过才接收恢复，生产替换另须实际权限。 依据：DBA-Bench显示数据库诊断、有效恢复和约束满足必须分开评价；恢复声明需要真实业务状态；基础备份、连续WAL与独立配置保护构成PostgreSQL时间点恢复的重要条件。 来源状态：active 本站记录：本次只核查公开材料和任务契约；未在本站运行该任务、工具或模型。 条件： - 固定数据库版本、基础备份、WAL/归档链、配置/权限副本、隔离实例与存储资源；记录缺口。 - 避免写回源库，保留恢复日志和目标时点事务，对关键用户读写及权限有独立探针。 ## 请求与范围 给指定恢复点、关键事务/数据不变量、业务读写验收、RPO/RTO目标及待恢复范围。 工作对象为已备份数据库的物理/逻辑恢复；源库变更迁移、数据转换与查询调优分别另接收。 ## 输入 - 恢复目标：给指定恢复点、关键事务/数据不变量、业务读写验收、RPO/RTO目标及待恢复范围。 - 备份与环境：固定数据库版本、基础备份、WAL/归档链、配置/权限副本、隔离实例与存储资源；记录缺口。 - 核验与隔离：避免写回源库，保留恢复日志和目标时点事务，对关键用户读写及权限有独立探针。 ## 交付物 - 可复现还原脚本、备份/日志链与环境清单 - 目标点事务/约束/权限及读写检查 - 实际可恢复范围、时间/资源及未恢复或缺日志说明 ## 验收 1. 恢复到正确状态 方法：独立核对目标点前后事务、约束和关键业务查询，不只看数据库启动。 拒收：实例启动但恢复到错误时间或漏事务。 2. 恢复链和配置真实可用 方法：检查基础备份/WAL连续性、实际还原记录及单独配置/权限；不能用pg_dump冒充物理WAL基础备份。 拒收：文件存在却日志缺段，或配置/权限未恢复。 3. 恢复满足业务与代价 方法：在恢复实例做读写/负载探针，记录实际RPO/RTO、资源和不可恢复范围。 拒收：恢复操作完成但业务仍不可用且没有说明。 ## 具体例子 输入：需还原误删发生前一分钟，后续合法事务需要另行保存。 预期产物：隔离恢复实例、目标事务核对、差异和恢复时间。 失败：只恢复到最后备份，误删和合法变更边界不明。 ## 工作重组 以前：资料、实现/处理与验证分散交接，完成记录易脱离实际结果。 现在：Agent可核对备份/日志、生成/执行获准还原并根据日志修正；程序直接验证事务和业务状态。 保留： - 确认恢复点、可丢失数据和生产替换权限，保护原始备份/取证材料。 新增： - 在恢复实例做读写/负载探针，记录实际RPO/RTO、资源和不可恢复范围。 ## 人的责任与失败接管 确认恢复点、可丢失数据和生产替换权限，保护原始备份/取证材料。 链不完整时准确报告最近可恢复点与缺口；保持源库不受写入，不伪造完成。 ## 尚待补足 - 本备份/WAL链、目标时点事务、配置/权限与实际RPO/RTO尚未隔离还原。 ## 职业与团队下一步 数据库还原：交付可读写的目标恢复点 可复现还原脚本、备份/日志链与环境清单 在隔离实例还原一份授权备份，冻结目标事务，加入缺WAL负控制并校验目标点、配置、用户读写和实际恢复时间。 /explore?purpose=career&domain=computing 备份存在与恢复成功不同；PostgreSQL机制给出可核对恢复条件，DBA-Bench强调恢复目标与安全需要同时验证。 Agent可核对备份/日志、生成/执行获准还原并根据日志修正；程序直接验证事务和业务状态。 在真实授权任务核对产物、失败、返工与接收时间，再据此配置工具、环境和人员。 /explore?purpose=team&domain=computing ## 证据与关系 - DBA-Bench v2：https://arxiv.org/abs/2607.22165v2 定位：Abstract；live PostgreSQL/TiDB与persistent scenarios；公开 2026-07-24；v2修订2026-10-10；核查 2026-10-20；复查 2027-01-20 支持：直接状态运维研究。 未覆盖：论文场景不是本站备份恢复试次。 - PostgreSQL18 连续归档与PITR：https://www.postgresql.org/docs/18/continuous-archiving.html 定位：25.3.1/25.3.2/25.3.5/25.3.8；公开 PostgreSQL18文档，单页未标发布日期；核查 2026-10-20；复查 2027-01-20 支持：支持恢复方案和结果核对。 未覆盖：原生机制不是AI成绩。 ## 任务级判断与证据 采用方式：分阶段接收 从证据到建议：备份存在与恢复成功不同；PostgreSQL机制给出可核对恢复条件，DBA-Bench强调恢复目标与安全需要同时验证。 当前可用性：open-implementation；PostgreSQL原生恢复工具公开；实际备份、日志和恢复资源由任务提供。 - PostgreSQL PITR：https://www.postgresql.org/docs/18/continuous-archiving.html 文档18；执行锁定源/目标DB与备份格式；隔离恢复实例、授权备份/日志和存储 ### DBA-Bench显示数据库诊断、有效恢复和约束满足必须分开评价；恢复声明需要真实业务状态。 依据身份：外部报告结果；状态：active - DBA-Bench v2：https://arxiv.org/abs/2607.22165v2 定位：v2 bounded/persistent evaluation；关系：partial 支持：直接状态运维研究。 限制：论文场景不是本站备份恢复试次。 核查：2026-10-20；来源状态：active 配置：v2：231有界场景、10持续场景，PostgreSQL/TiDB；8自动基线；按原环境/任务评估，本站未重放。 适用限制：论文场景不是本站备份恢复试次。 相关进展（本条判断）： - DBA-Bench以活跃负载区分诊断、恢复和约束：/explore?purpose=understand&domain=computing&window=all#P-C-DBA-STATE 首次公开 2026-07-24；资料修订 2026-10-10：文档版本/结果表述修订；没有据此推定新的模型能力跃迁。 ### 基础备份、连续WAL与独立配置保护构成PostgreSQL时间点恢复的重要条件。 依据身份：工具与方法依据；状态：active - PostgreSQL18 连续归档与PITR：https://www.postgresql.org/docs/18/continuous-archiving.html 定位：25.3.1/25.3.5/Caveats；关系：method 支持：支持恢复方案和结果核对。 限制：原生机制不是AI成绩。 核查：2026-10-20；来源状态：active 适用限制：原生机制不是AI成绩。 ## 情境变化 ### 日志链与物理恢复 输入变化：目标点依赖基础备份与归档。 判断变化：先验证连续性再承诺可恢复范围。 验收变化：缺段、时间线和目标点事务，配置另核。 ### 逻辑恢复与业务重建 输入变化：只恢复选定对象/逻辑数据，不能套用物理PITR。 判断变化：按目标对象与依赖单独设计。 验收变化：对象/约束/权限、增量差异及完整业务查询。 研究前沿：PostgreSQL18公开提供基础备份+连续WAL的时间点恢复机制；DBA-Bench v2实测活跃PostgreSQL/TiDB的运维状态，观察诊断正确仍可能无法恢复、安全与恢复亦可能冲突。前者是方法，后者是有限场景模型结果，均不证明本备份链可恢复。 下一项验证：在隔离实例还原一份授权备份，冻结目标事务，加入缺WAL负控制并校验目标点、配置、用户读写和实际恢复时间。 未来改判信号： - 不同恢复点/备份周期均可独立还原并满足业务与恢复预算，可考虑扩大相近输入范围。 - WAL缺段、目标点不符或恢复后读写/配置失效，应收窄或暂停相应采用。 # 数据与schema切换：兼容迁移及可回退状态 工作单元：W-C17；版本：2026-10-21.workunits.2；复核：2026-10-20 交付从旧系统/schema到目标版本的数据迁移、回填和切换证据，保持旧新读写兼容及失败时数据可接续。 ## 当前用法 可委派兼容方案、迁移实现和演练；按旧新并存、回填及切换结果阶段接收，先揭示不可逆点再决定执行。 依据：Spider2-DBT提供可检查的仓库级数据转换任务，DBA-Bench强调业务状态与约束同时核验；旧新并存/切换建议为基于这些邻近任务的编辑迁移，不冒称迁移实测。 来源状态：active 本站记录：本次只核查公开材料和任务契约；未在本站运行该任务、工具或模型。 条件： - 固定旧新应用/数据库、代表数据/负载、并发写入、回填预算及实际权限。 - 准备键/金额/约束对账、兼容矩阵和回滚/向前修复路径；明确不可逆点和停机边界。 ## 请求与范围 给源/目标版本和映射、调用方/消费者、迁移目标、数据保留与不允许丢失的事务。 工作对象是版本/系统切换，不是日常管道刷新或历史备份还原；可以按兼容/回填/切换多阶段接收同一迁移。 ## 输入 - 切换契约：给源/目标版本和映射、调用方/消费者、迁移目标、数据保留与不允许丢失的事务。 - 并存环境：固定旧新应用/数据库、代表数据/负载、并发写入、回填预算及实际权限。 - 核对与退出条件：准备键/金额/约束对账、兼容矩阵和回滚/向前修复路径；明确不可逆点和停机边界。 ## 交付物 - 兼容schema/数据映射、迁移/回填和切换代码 - 旧新版本/并发写与断点下的数据对账结果 - 切换判据、实际停顿/资源、回滚或向前修复演练 ## 验收 1. 语义迁移正确 方法：按业务键、金额、空值/编码/时区及约束独立核对映射。 拒收：行数相同但金额精度/时区或身份映射改变。 2. 并存与中断可接续 方法：重放旧新客户端、并发写/回填中断和重复执行。 拒收：旧客户端无法写或新数据被回填覆盖。 3. 切换和退出真可执行 方法：演练流量/写入切换、未完成检测与回退/向前修复，核对业务不变量。 拒收：文档有rollback按钮，实际新写入无法恢复。 ## 具体例子 输入：账户ID改型，旧客户端与新服务并存且要持续写入。 预期产物：兼容字段、回填、旧新客户端与中断对账、切换/退出结果。 失败：先删旧字段通过新测试，旧客户端无法访问。 ## 工作重组 以前：资料、实现/处理与验证分散交接，完成记录易脱离实际结果。 现在：Agent可生成兼容schema、回填与切换脚本，并按对账/失败反馈修改；稳定批处理直接程序执行。 保留： - 确定语义映射、停机/丢失容忍和不可逆点授权，维护调用方兼容责任。 新增： - 演练流量/写入切换、未完成检测与回退/向前修复，核对业务不变量。 ## 人的责任与失败接管 确定语义映射、停机/丢失容忍和不可逆点授权，维护调用方兼容责任。 对账或兼容失败就保留旧写路径；没有可行回退时明确向前修复前提，不能虚构可逆。 ## 尚待补足 - 旧新并存/持续写入、语义映射、不可逆点和退出路径尚无目标迁移实测。 ## 职业与团队下一步 数据与schema切换：兼容迁移及可回退状态 兼容schema/数据映射、迁移/回填和切换代码 冻结一份旧库/调用方快照，用重复执行、并发写与中断测试迁移；独立对账并演练退出或向前修复。 /explore?purpose=career&domain=computing 仓库转换和数据库状态评测提供邻近依据；跨版本迁移的关键是持续写入和退出策略，需要明确标为任务适配而非假装有直接迁移成功率。 Agent可生成兼容schema、回填与切换脚本，并按对账/失败反馈修改；稳定批处理直接程序执行。 在真实授权任务核对产物、失败、返工与接收时间，再据此配置工具、环境和人员。 /explore?purpose=team&domain=computing ## 证据与关系 - Spider2 官方任务与维护公告：https://github.com/xlang-ai/Spider2 定位：News；Overview；Spider2-DBT quickstart；公开 持续更新仓库；2026-08-12公告；核查 2026-10-20；复查 2027-01-20 支持：数据转换的工程任务作为邻近方法基础。 未覆盖：没有目标跨版本迁移直接AI结果；所有切换控制是本任务设计。 - DBA-Bench v2：https://arxiv.org/abs/2607.22165v2 定位：Abstract；live PostgreSQL/TiDB与persistent scenarios；公开 2026-07-24；v2修订2026-10-10；核查 2026-10-20；复查 2027-01-20 支持：状态型评价支持独立迁移验收。 未覆盖：数据库运维研究不提供本迁移的成功率。 ## 任务级判断与证据 采用方式：分阶段接收 从证据到建议：仓库转换和数据库状态评测提供邻近依据；跨版本迁移的关键是持续写入和退出策略，需要明确标为任务适配而非假装有直接迁移成功率。 当前可用性：mixed；SQL/数据库原生迁移可执行；目标工具/引擎版本与退出路径需实际冻结，尚无本任务模型试验。 - PostgreSQL 原生SQL与备份/恢复：https://www.postgresql.org/docs/18/continuous-archiving.html 以实际源/目标DB和迁移脚本版本为准；备份恢复文档18仅作退出准备；获准旧新实例、数据/备份与兼容客户端 ### Agent可生成并校验迁移候选，但接收需独立检验语义、旧新并存及中断退出，不能从普通SQL任务推出迁移已可靠。 依据身份：有条件的编辑推断；状态：active - Spider2 官方任务与维护公告：https://github.com/xlang-ai/Spider2 定位：Spider2-DBT repository workflows；关系：partial 支持：数据转换的工程任务作为邻近方法基础。 限制：没有目标跨版本迁移直接AI结果；所有切换控制是本任务设计。 核查：2026-10-20；来源状态：active 适用限制：没有目标跨版本迁移直接AI结果；所有切换控制是本任务设计。 ### 数据库状态评价应同时检查业务目标和安全约束，不能只以脚本退出码接收切换。 依据身份：有条件的编辑推断；状态：active - DBA-Bench v2：https://arxiv.org/abs/2607.22165v2 定位：operational objectives and safety；关系：partial 支持：状态型评价支持独立迁移验收。 限制：数据库运维研究不提供本迁移的成功率。 核查：2026-10-20；来源状态：active 适用限制：数据库运维研究不提供本迁移的成功率。 ## 情境变化 ### 在线扩展与收缩 输入变化：旧新schema并存、不能停写。 判断变化：按兼容/回填/切换接收，Agent内部方法自由。 验收变化：旧新读写、并发和水位，最后才验收旧结构清理。 ### 停机或跨系统切换 输入变化：允许冻结写入或目标引擎不同。 判断变化：先校验可转换范围与实际停顿预算。 验收变化：编码/类型/依赖、最终增量、流量切换与退出。 研究前沿：Spider2-DBT已经公开仓库级数据转换任务；DBA-Bench进一步以活跃数据库目标/约束检查状态。这些是迁移的邻近基础，当前未核实涵盖本旧新并存/切换任务的直接AI实验，因此本单元采用建议为方法推断。 下一项验证：冻结一份旧库/调用方快照，用重复执行、并发写与中断测试迁移；独立对账并演练退出或向前修复。 未来改判信号： - 旧新并存、持续写和中断回填下语义对账与退出都可复验，可考虑扩大相近输入范围。 - 回填覆盖新数据、旧客户端失败或不可逆点未被识别，应收窄或暂停相应采用。 # 性能与容量改善：同一负载下证明收益与代价 工作单元：W-C18；版本：2026-10-21.workunits.2；复核：2026-10-20 交付可重复测得的系统性能/容量改善，保留正确性、资源成本和退化边界。 ## 当前用法 可委派瓶颈定位、候选和基准循环；按同条件收益/代价和正确性接收，未改善也是可用诊断。 依据：DBA-Bench在活跃负载中区分业务目标恢复与违规执行，支持把性能结果与约束一起判断；可用AIOpsLab负载和轨迹接口构造受控前后比较；实际测量与正确性应独立于优化者。 来源状态：active 本站记录：本次只核查公开材料和任务契约；未在本站运行该任务、工具或模型。 条件： - 冻结硬件/DB/服务/网络配置、数据和代表负载、缓存冷热、并发与测量窗。 - 准备基线/候选、资源/成本记录和正确性回归；允许保留未改善或只特定条件改善的结果。 ## 请求与范围 固定目标查询/请求/数据规模、延迟/吞吐/容量目标及不能牺牲的正确性和成本约束。 工作对象是固定负载与约束下的性能变化；数据库、服务与云网络环境可分变体，但优化目标和独立前后测量不变。 ## 输入 - 性能问题：固定目标查询/请求/数据规模、延迟/吞吐/容量目标及不能牺牲的正确性和成本约束。 - 可比环境：冻结硬件/DB/服务/网络配置、数据和代表负载、缓存冷热、并发与测量窗。 - 独立测量：准备基线/候选、资源/成本记录和正确性回归；允许保留未改善或只特定条件改善的结果。 ## 交付物 - 瓶颈证据与可应用的代码/索引/配置候选 - 同条件前后性能、资源/费用与正确性结果 - 适用负载/退化边界、回退和容量建议 ## 验收 1. 对比条件可比 方法：多次重放同数据/并发/缓存条件并报告波动和热身。 拒收：只给最快一次或拿冷基线比热候选。 2. 改善没有偷换目标 方法：核对正确性/一致性/权限及其他请求，测写放大、内存和费用。 拒收：删结果、跳校验或昂贵扩容却只报延迟下降。 3. 边界可复用 方法：改变负载/数据规模/失败条件复查，说明瓶颈转移及回退。 拒收：单条SQL变快但整服务锁争用和成本恶化。 ## 具体例子 输入：查询随订单量变慢，候选增加索引。 预期产物：读写混合负载前后延迟、锁、存储/写放大与金额结果。 失败：只测读请求，忽略索引让写入超时。 ## 工作重组 以前：资料、实现/处理与验证分散交接，完成记录易脱离实际结果。 现在：Agent自主分析profile/执行计划、修改代码/配置并重测；程序执行冻结基准与资源记录。 保留： - 确定服务目标、成本与一致性取舍，批准涉及容量/费用的实际变更。 新增： - 改变负载/数据规模/失败条件复查，说明瓶颈转移及回退。 ## 人的责任与失败接管 确定服务目标、成本与一致性取舍，批准涉及容量/费用的实际变更。 环境不可比时先修测量；无改善保留profile和失败，不篡改阈值/采样。 ## 尚待补足 - 目标负载的可比测量、混合读写/尾延迟/费用及新规模退化尚未校准。 ## 职业与团队下一步 性能与容量改善：同一负载下证明收益与代价 瓶颈证据与可应用的代码/索引/配置候选 选一个可重放慢查询/服务压力，校准负载和测量；冻结预算，让Agent交候选，多次测性能、正确性和资源，改变负载挑战结论。 /explore?purpose=career&domain=computing 数据库有负载运维研究和AIOps负载工具提供邻近依据；性能交付可由独立程序比较，Agent主要搜索原因/配置，不能用一次最好成绩证明容量。 Agent自主分析profile/执行计划、修改代码/配置并重测；程序执行冻结基准与资源记录。 在真实授权任务核对产物、失败、返工与接收时间，再据此配置工具、环境和人员。 /explore?purpose=team&domain=computing ## 证据与关系 - DBA-Bench v2：https://arxiv.org/abs/2607.22165v2 定位：Abstract；live PostgreSQL/TiDB与persistent scenarios；公开 2026-07-24；v2修订2026-10-10；核查 2026-10-20；复查 2027-01-20 支持：直接DB状态运维研究作为邻近证据。 未覆盖：不是本站性能优化实测，也不是跨云/网络提升率。 - AIOpsLab 官方框架：https://github.com/microsoft/AIOpsLab 定位：README：Problems；Fault/Workload/Evaluator；公开 持续更新仓库；本次2026-10-20访问；核查 2026-10-20；复查 2027-01-20 支持：有负载与记录接口。 未覆盖：框架不保证选对工作负载或性能改善。 ## 任务级判断与证据 采用方式：分阶段接收 从证据到建议：数据库有负载运维研究和AIOps负载工具提供邻近依据；性能交付可由独立程序比较，Agent主要搜索原因/配置，不能用一次最好成绩证明容量。 当前可用性：mixed；框架公开；目标云权限、遥测与可回退环境由实际任务提供，不要求先接生产。 - AIOpsLab：https://github.com/microsoft/AIOpsLab 2026-10-20公开仓库HEAD ccf08d0d1d5fa5b30f120e2e8549662d44411b35；实际运行另固定依赖/镜像/模型；开源；独立集群/命名空间、遥测与模型API自备 ### DBA-Bench在活跃负载中区分业务目标恢复与违规执行，支持把性能结果与约束一起判断。 依据身份：外部报告结果；状态：active - DBA-Bench v2：https://arxiv.org/abs/2607.22165v2 定位：v2 live workloads and operational objectives；关系：partial 支持：直接DB状态运维研究作为邻近证据。 限制：不是本站性能优化实测，也不是跨云/网络提升率。 核查：2026-10-20；来源状态：active 配置：DBA-Bench v2：活跃PostgreSQL/TiDB，231有界场景与10持续场景，8自动基线；按论文具体模型/脚手架和约束解释，不是本站性能优化试验。 适用限制：不是本站性能优化实测，也不是跨云/网络提升率。 相关进展（本条判断）： - DBA-Bench以活跃负载区分诊断、恢复和约束：/explore?purpose=understand&domain=computing&window=all#P-C-DBA-STATE 首次公开 2026-07-24；资料修订 2026-10-10：文档版本/结果表述修订；没有据此推定新的模型能力跃迁。 ### 可用AIOpsLab负载和轨迹接口构造受控前后比较；实际测量与正确性应独立于优化者。 依据身份：工具与方法依据；状态：active - AIOpsLab 官方框架：https://github.com/microsoft/AIOpsLab 定位：Workload/Evaluator/trace；关系：method 支持：有负载与记录接口。 限制：框架不保证选对工作负载或性能改善。 核查：2026-10-20；来源状态：active 适用限制：框架不保证选对工作负载或性能改善。 ## 情境变化 ### 数据库查询与争用 输入变化：索引、计划、锁、存储与混合读写。 判断变化：先冻结混合负载，不以单条查询接收整库。 验收变化：计划/profile、锁、写放大、数据结果与故障回退。 ### 服务与网络容量 输入变化：连接池、缓存、网络路径、扩容或资源配置。 判断变化：明确用户路径和费用预算后迭代。 验收变化：吞吐/尾延迟、正确性、故障域、费用与相邻路径。 研究前沿：DBA-Bench v2把真实负载和数据库状态放入评估，AIOpsLab则提供可控制负载/轨迹接口；前者报告任务状态差距，后者是工程工具。它们未展示本目标负载下的AI优化收益，须同条件前后测量。 下一项验证：选一个可重放慢查询/服务压力，校准负载和测量；冻结预算，让Agent交候选，多次测性能、正确性和资源，改变负载挑战结论。 未来改判信号： - 保留负载下多次收益超过测量波动且资源代价符合预算，可考虑扩大相近输入范围。 - 收益仅来自缓存/更易输入，或写入/正确性与费用退化，应收窄或暂停相应采用。 # 基础设施配置交付：可重建、可访问、可拒绝 工作单元：W-C19；版本：2026-10-21.workunits.2；复核：2026-10-20 交付可重建的云/网络/系统配置，使指定服务连通、隔离和故障域约束在实际环境成立。 ## 当前用法 在隔离配额/权限与正反矩阵齐备时可整包委派配置实现和重建验证；稳定配置直接程序部署。 依据：AIOpsLab公开配置故障/真实K8s试验床，可把服务状态与配置联系起来检查。 来源状态：active 本站记录：本次只核查公开材料和任务契约；未在本站运行该任务、工具或模型。 条件： - 固定云/集群/网络版本、账户/namespace、IaC提供器、配额、费用上限与可逆部署范围。 - 预先准备可连/不可连、身份、重建/漂移和故障切换检查，保留旧配置。 ## 请求与范围 给服务/网络/账户边界、DNS/证书/路由、容量/故障域约束和必须拒绝的连接。 工作对象是期望基础设施状态与配置差异；事故抢修、性能优化和数据切换分别由W-C08/W-C18/W-C17接收。 ## 输入 - 目标拓扑与访问：给服务/网络/账户边界、DNS/证书/路由、容量/故障域约束和必须拒绝的连接。 - 可部署环境：固定云/集群/网络版本、账户/namespace、IaC提供器、配额、费用上限与可逆部署范围。 - 接收矩阵：预先准备可连/不可连、身份、重建/漂移和故障切换检查，保留旧配置。 ## 交付物 - IaC/网络/系统配置与依赖、拓扑和费用假设 - 实际部署/重建与访问正反矩阵、故障域检查 - 漂移/监控/回退及未满足配额/外部依赖 ## 验收 1. 期望状态真实成立 方法：部署后独立访问端点、DNS/证书/路由与身份，不只检查计划文件。 拒收：IaC plan成功却服务不可访问。 2. 隔离没有被打开 方法：从未授权身份/网络做拒绝控制，检查最小权限、密钥和暴露面。 拒收：把规则改为全允许来通过连通检查。 3. 状态可维护可回退 方法：销毁/重建演练限于隔离资源，检测漂移和一个故障域失效，核对回退。 拒收：手工改资源未入代码，重建时丢失配置。 ## 具体例子 输入：新服务仅允许应用子网访问，需跨区故障切换。 预期产物：可重建配置、两类身份访问/拒绝、DNS/证书与切换结果。 失败：从自己账户可访问就声称所有隔离规则正确。 ## 工作重组 以前：资料、实现/处理与验证分散交接，完成记录易脱离实际结果。 现在：Agent可生成配置、比较实际状态并迭代；部署器直接执行，独立探针验证连通和拒绝。 保留： - 确认云费用、暴露边界、账户授权和故障域需求，批准影响共享环境的配置。 新增： - 销毁/重建演练限于隔离资源，检测漂移和一个故障域失效，核对回退。 ## 人的责任与失败接管 确认云费用、暴露边界、账户授权和故障域需求，批准影响共享环境的配置。 缺配额/身份/外部证书时明确阻塞与可部署部分，不能以扩大权限或隐藏失败完成交付。 ## 尚待补足 - 目标云/网络的重建、可连/拒绝矩阵、故障域与实际费用尚未验证。 ## 职业与团队下一步 基础设施配置交付：可重建、可访问、可拒绝 IaC/网络/系统配置与依赖、拓扑和费用假设 给一份隔离拓扑与访问矩阵，让Agent交IaC，独立重建并检查正反访问、漂移、配额/成本和故障域。 /explore?purpose=career&domain=computing AIOpsLab展示真实微服务与配置故障可检查，提供邻近环境方法；计划基础设施的成功应由目标状态和隔离检查决定。 Agent可生成配置、比较实际状态并迭代；部署器直接执行，独立探针验证连通和拒绝。 在真实授权任务核对产物、失败、返工与接收时间，再据此配置工具、环境和人员。 /explore?purpose=team&domain=computing ## 证据与关系 - AIOpsLab 官方框架：https://github.com/microsoft/AIOpsLab 定位：README：Problems；Fault/Workload/Evaluator；公开 持续更新仓库；本次2026-10-20访问；核查 2026-10-20；复查 2027-01-20 支持：提供环境和故障资产。 未覆盖：事故试验床不是目标云IaC成绩。 ## 任务级判断与证据 采用方式：分阶段接收 从证据到建议：AIOpsLab展示真实微服务与配置故障可检查，提供邻近环境方法；计划基础设施的成功应由目标状态和隔离检查决定。 当前可用性：mixed；框架公开；目标云权限、遥测与可回退环境由实际任务提供，不要求先接生产。 - AIOpsLab：https://github.com/microsoft/AIOpsLab 2026-10-20公开仓库HEAD ccf08d0d1d5fa5b30f120e2e8549662d44411b35；实际运行另固定依赖/镜像/模型；开源；独立集群/命名空间、遥测与模型API自备 ### AIOpsLab公开配置故障/真实K8s试验床，可把服务状态与配置联系起来检查。 依据身份：可检查产物；状态：active - AIOpsLab 官方框架：https://github.com/microsoft/AIOpsLab 定位：Fault injectors/Problems；关系：partial 支持：提供环境和故障资产。 限制：事故试验床不是目标云IaC成绩。 核查：2026-10-20；来源状态：active 适用限制：事故试验床不是目标云IaC成绩。 ### 对基础设施可以委派实现和重建反馈，接收需同时验证连通、拒绝、故障域和实际资源。 依据身份：有条件的编辑推断；状态：active - AIOpsLab 官方框架：https://github.com/microsoft/AIOpsLab 定位：Fault/Workload/Evaluator；关系：partial 支持：受控状态验证迁移为配置接收。 限制：云服务/网络差异需本地正反矩阵验证。 核查：2026-10-20；来源状态：active 适用限制：云服务/网络差异需本地正反矩阵验证。 ## 情境变化 ### 网络与访问配置 输入变化：路由、DNS、证书、策略或身份。 判断变化：先冻结连通/拒绝矩阵再实施。 验收变化：从不同身份/子网测试解析、端口、证书和隔离。 ### 平台部署与迁移 输入变化：新建/重建资源或平台版本切换。 判断变化：按配额/兼容/故障域阶段接收；数据切换另见W-C17。 验收变化：重建、配置漂移、故障切换和实际费用。 研究前沿：AIOpsLab公开可部署微服务/K8s环境及配置故障注入、负载和结果检查，已经能把配置与服务状态连起来；这是可检查实现范围，不是目标云IaC交付、连通隔离或费用上的模型成绩。 下一项验证：给一份隔离拓扑与访问矩阵，让Agent交IaC，独立重建并检查正反访问、漂移、配额/成本和故障域。 未来改判信号： - 新环境重建、访问拒绝矩阵与故障域检查保持一致，可考虑扩大相近输入范围。 - 只能手工修到可用，或开放权限/隐藏费用换取连通，应收窄或暂停相应采用。 # 运行信号交付：SLI/SLO、检测与可行动告警 工作单元：W-C20；版本：2026-10-21.workunits.2；复核：2026-10-20 交付能反映指定用户目标的运行指标、目标与告警，使已知故障被检测而正常波动不触发无效操作。 ## 当前用法 可委派指标/规则和正反例校准；先核对用户口径，再让程序持续测量，异常可交Agent解释与定位。 依据：AIOpsLab的故障、负载和评估接口可用于校准运行信号与检测，规则正确性应以独立故障/正常控制检查。 来源状态：active 本站记录：本次只核查公开材料和任务契约；未在本站运行该任务、工具或模型。 条件： - 提供日志/指标/trace、正常和已知故障窗口、采样/缺失条件及采集权限。 - 每个告警对应可核查症状、责任/升级与处置入口；冻结误报/漏报和成本容忍。 ## 请求与范围 给关键用户路径、可接受失败/时延与取舍，明确SLI分母、时间窗、依赖和错误预算用途。 产物是信号定义、采集/规则与正反例校准，不是故障修复或容量提升；业务目标与错误预算取舍需有实际依据。 ## 输入 - 用户目标：给关键用户路径、可接受失败/时延与取舍，明确SLI分母、时间窗、依赖和错误预算用途。 - 遥测与历史：提供日志/指标/trace、正常和已知故障窗口、采样/缺失条件及采集权限。 - 告警行动：每个告警对应可核查症状、责任/升级与处置入口；冻结误报/漏报和成本容忍。 ## 交付物 - 指标/目标/错误预算定义和可执行采集/规则 - 正常/故障/采集缺失/抖动控制结果 - 行动手册、阈值理由、观测缺口和版本管理 ## 验收 1. 信号代表用户目标 方法：把分母、窗口和路径与真实请求对照，检查依赖/采样遗漏。 拒收：只测机器存活，用户付款失败却SLI健康。 2. 规则可检测可拒绝 方法：重放已知故障与正常波动，记录误报/漏报、检测延迟和采集失败。 拒收：只加一条能报警的规则，没有正常负样本。 3. 告警可行动 方法：另一接收者按规则和指引定位受影响路径，核对升级/静默/恢复及版本。 拒收：告警没有对象、含义或动作，导致反复无效值班。 ## 具体例子 输入：付款成功率看起来100%，但超时请求没进分母。 预期产物：修正SLI、超时/正常/日志缺失控制与升级说明。 失败：删去超时事件，让仪表板变绿。 ## 工作重组 以前：资料、实现/处理与验证分散交接，完成记录易脱离实际结果。 现在：Agent读服务定义和历史，生成/调整采集和告警，程序重放控制；负责人决定SLO和升级取舍。 保留： - 设定用户风险与错误预算政策，确认告警责任和可采取动作。 新增： - 另一接收者按规则和指引定位受影响路径，核对升级/静默/恢复及版本。 ## 人的责任与失败接管 设定用户风险与错误预算政策，确认告警责任和可采取动作。 目标不明确先给可选口径及影响；采集缺失应暴露为缺测，不能写成零错误。 ## 尚待补足 - 用户SLI分母/缺测、真实新故障与长期误报/漏报分布尚需校准。 ## 职业与团队下一步 运行信号交付：SLI/SLO、检测与可行动告警 指标/目标/错误预算定义和可执行采集/规则 选一个关键用户路径和历史故障，冻结口径，用正常/故障/遥测缺失控制验证规则，再在观察窗记录行动与噪声。 /explore?purpose=career&domain=computing 公开故障/负载试验床能校准信号，但无法替组织确定风险容忍。把指标和告警本身当产物，可避免Agent靠“监控正常”自证。 Agent读服务定义和历史，生成/调整采集和告警，程序重放控制；负责人决定SLO和升级取舍。 在真实授权任务核对产物、失败、返工与接收时间，再据此配置工具、环境和人员。 /explore?purpose=team&domain=computing ## 证据与关系 - AIOpsLab 官方框架：https://github.com/microsoft/AIOpsLab 定位：README：Problems；Fault/Workload/Evaluator；公开 持续更新仓库；本次2026-10-20访问；核查 2026-10-20；复查 2027-01-20 支持：提供可构造症状与结果的环境。 未覆盖：方法不证明目标SLO恰当或长期告警可靠。 ## 任务级判断与证据 采用方式：分阶段接收 从证据到建议：公开故障/负载试验床能校准信号，但无法替组织确定风险容忍。把指标和告警本身当产物，可避免Agent靠“监控正常”自证。 当前可用性：mixed；框架公开；目标云权限、遥测与可回退环境由实际任务提供，不要求先接生产。 - AIOpsLab：https://github.com/microsoft/AIOpsLab 2026-10-20公开仓库HEAD ccf08d0d1d5fa5b30f120e2e8549662d44411b35；实际运行另固定依赖/镜像/模型；开源；独立集群/命名空间、遥测与模型API自备 ### AIOpsLab的故障、负载和评估接口可用于校准运行信号与检测，规则正确性应以独立故障/正常控制检查。 依据身份：工具与方法依据；状态：active - AIOpsLab 官方框架：https://github.com/microsoft/AIOpsLab 定位：Detection tasks/Workload/Evaluator；关系：method 支持：提供可构造症状与结果的环境。 限制：方法不证明目标SLO恰当或长期告警可靠。 核查：2026-10-20；来源状态：active 适用限制：方法不证明目标SLO恰当或长期告警可靠。 ## 情境变化 ### 用户SLI与目标 输入变化：需定义用户成功、延迟与错误预算。 判断变化：先对照真实路径再自动化采集。 验收变化：分母/窗口/采样、依赖、目标取舍和缺测。 ### 检测规则与值班噪声 输入变化：已有遥测但告警漏报或过多。 判断变化：按可行动症状重做规则校准。 验收变化：故障/正常/抖动/采集缺失与升级路径。 研究前沿：AIOpsLab提供检测任务、故障/负载和评估接口，可用正常与故障重放验证告警；公开接口没有替本团队选择用户SLI/SLO，也未给本规则长期漏报/误报成绩。 下一项验证：选一个关键用户路径和历史故障，冻结口径，用正常/故障/遥测缺失控制验证规则，再在观察窗记录行动与噪声。 未来改判信号： - 真实新故障被及时检测而正常波动与缺测被正确区分，可考虑扩大相近输入范围。 - 用户失败未进分母、告警噪声升高或采集缺失被写成健康，应收窄或暂停相应采用。 # 事故复盘与整改闭环：结论可追溯、行动可验证 工作单元：W-C21；版本：2026-10-21.workunits.2；复核：2026-10-20 交付从实际事件证据到原因/促成条件、改进行动及验证状态的复盘包，区分已证实原因、假设与未完成整改。 ## 当前用法 可委派证据整合、反证设计和整改跟踪；真实原因与完成性按证据核对，AI不能补造同事反馈。 依据：AIOpsLab公开动作/遥测/结果轨迹，可支撑事件材料和反证的组织方法；真实复盘/整改闭环建议是编辑推断，效果须由实际复验与观察确认。 来源状态：active 本站记录：本次只核查公开材料和任务契约；未在本站运行该任务、工具或模型。 条件： - 固定日志/trace/工单/配置版本、谁何时做了什么、缺失/矛盾以及真实负责人反馈。 - 每条行动定义要改变的可测结果、责任/期限、验证材料和复发/运行负担观察窗。 ## 请求与范围 给事故影响、时间窗、用户路径、操作和恢复记录及需要回答的复发/值班负担问题。 产物是可检验复盘与行动闭环；不能把生成根因故事当已恢复服务，整改代码/配置另由相应任务接收。 ## 输入 - 事件目标：给事故影响、时间窗、用户路径、操作和恢复记录及需要回答的复发/值班负担问题。 - 有身份的证据：固定日志/trace/工单/配置版本、谁何时做了什么、缺失/矛盾以及真实负责人反馈。 - 闭环标准：每条行动定义要改变的可测结果、责任/期限、验证材料和复发/运行负担观察窗。 ## 交付物 - 可追溯时间线、影响与证据/假设分离的原因分析 - 候选原因的反证或重放检查、促成条件和未解决矛盾 - 有结果判据的整改/运行负担清单与真实完成/未完成证据 ## 验收 1. 原因有因果链而非联想 方法：把每项关键推论连到事件与状态；可行时重放/移除条件挑战，保留不能证实部分。 拒收：最近一次发布就被写成根因。 2. 行动解决对应问题 方法：逐项核对行动怎样防止/发现/减轻故障，有可验收结果而非“加强意识”。 拒收：只加一场培训，把系统性故障视作已整改。 3. 完成状态真实 方法：读取代码/配置/试验/工单验收证据及复发/负担记录，区分计划、实施和验证。 拒收：工单关闭就推断措施有效或事故不再发生。 ## 具体例子 输入：服务已恢复，怀疑最近发布但同时发生依赖超时。 预期产物：两假设的证据/反证、真实影响、整改验收与责任期限。 失败：按最像的故事归责个人，关闭工单后宣布复发问题解决。 ## 工作重组 以前：资料、实现/处理与验证分散交接，完成记录易脱离实际结果。 现在：Agent自主合并时间线、提出反证与行动，查实际工单/补丁状态并更新；执行整改另交工程任务。 保留： - 确认影响、事实争议、行动责任及残余风险；真实沟通与反馈由实际参与者给出。 新增： - 读取代码/配置/试验/工单验收证据及复发/负担记录，区分计划、实施和验证。 ## 人的责任与失败接管 确认影响、事实争议、行动责任及残余风险；真实沟通与反馈由实际参与者给出。 证据缺失保留多假设和采集改进，不造单一原因；行动未验证就明确标注未完成。 ## 尚待补足 - 真实时间线的证据冲突、原因反证、整改验证及复发/值班负担尚需实际记录。 ## 职业与团队下一步 事故复盘与整改闭环：结论可追溯、行动可验证 可追溯时间线、影响与证据/假设分离的原因分析 选一个日志完整事故，把一个错误根因与未实施行动混入材料，检查Agent是否保留证据冲突并把行动连到真实验证。 /explore?purpose=career&domain=computing AIOpsLab记录动作与状态，支持可回放事件方法；从受控轨迹迁移到真实复盘是编辑判断。复盘结果应使下一次验证可执行，而非只是更流畅叙事。 Agent自主合并时间线、提出反证与行动，查实际工单/补丁状态并更新；执行整改另交工程任务。 在真实授权任务核对产物、失败、返工与接收时间，再据此配置工具、环境和人员。 /explore?purpose=team&domain=computing ## 证据与关系 - AIOpsLab 官方框架：https://github.com/microsoft/AIOpsLab 定位：README：Problems；Fault/Workload/Evaluator；公开 持续更新仓库；本次2026-10-20访问；核查 2026-10-20；复查 2027-01-20 支持：轨迹和结果关联提供方法基础。 未覆盖：没有目标真实复盘的AI成绩，不把模拟轨迹当组织事实。 ## 任务级判断与证据 采用方式：分阶段接收 从证据到建议：AIOpsLab记录动作与状态，支持可回放事件方法；从受控轨迹迁移到真实复盘是编辑判断。复盘结果应使下一次验证可执行，而非只是更流畅叙事。 当前可用性：mixed；框架公开；目标云权限、遥测与可回退环境由实际任务提供，不要求先接生产。 - AIOpsLab：https://github.com/microsoft/AIOpsLab 2026-10-20公开仓库HEAD ccf08d0d1d5fa5b30f120e2e8549662d44411b35；实际运行另固定依赖/镜像/模型；开源；独立集群/命名空间、遥测与模型API自备 ### 可把公开事故试验床的动作/状态轨迹方法迁移为复盘材料，但原因和整改效果须由真实证据及反证验证。 依据身份：有条件的编辑推断；状态：active - AIOpsLab 官方框架：https://github.com/microsoft/AIOpsLab 定位：Session trace/results/evaluator；关系：partial 支持：轨迹和结果关联提供方法基础。 限制：没有目标真实复盘的AI成绩，不把模拟轨迹当组织事实。 核查：2026-10-20；来源状态：active 适用限制：没有目标真实复盘的AI成绩，不把模拟轨迹当组织事实。 ## 情境变化 ### 原因与促成条件 输入变化：恢复完成但成因/触发存在矛盾。 判断变化：交假设、证据和最小反证，不强行单根因。 验收变化：时间一致、状态链、替代解释与重放结果。 ### 整改与运行负担 输入变化：需要跟踪复发、值班和配置漂移措施。 判断变化：按真实结果记录实施/验证，不自动关单。 验收变化：行动判据、版本/负载复验、复发和工作负担观察。 研究前沿：公开事故框架记录实际动作、遥测与结果，使事件时间线及恢复假设可以重放检查；把它迁移为复盘/行动材料是编辑方法判断，目前未核实AI减少本团队复发或值班负担的直接研究。 下一项验证：选一个日志完整事故，把一个错误根因与未实施行动混入材料，检查Agent是否保留证据冲突并把行动连到真实验证。 未来改判信号： - 整改的独立复验与后续观察证实复发/运行负担降低，可考虑扩大相近输入范围。 - 根因无法反证、行动只关单未验证或同类事故复发，应收窄或暂停相应采用。 # 项目交付基线与状态重排：依赖、资源和验收差距 工作单元：W-C22；版本：2026-10-21.workunits.2；复核：2026-10-20 交付依据真实状态的范围/里程碑/资源基线或重排方案，并记录风险、变更、决定和实际验收/移交差距。 ## 当前用法 可整包委派状态核对、计划计算和备选生成；实际承诺、预算和冲突取舍由对应授权接收，闭环以验收/移交事实检查。 依据：TheAgentCompany在模拟公司网站、数据与同事沟通中测试跨工具工作；可执行任务存在，但困难长流程不等于自动完成整职业；OSWorld2.0的长流程评估指出约束、动态信息和隐藏状态会造成失败；部分得分不能代替完整流程。 来源状态：active 本站记录：本次只核查公开材料和任务契约；未在本站运行该任务、工具或模型。 条件： - 冻结工单/版本/验收、依赖、资源日历、费用与更新日期；每个进度分开开发、部署、验收。 - 明确谁可批准范围/预算/时间承诺与对外发送；缺真实确认则交待确认影响，不静默承诺。 ## 请求与范围 给实际范围、里程碑、预算、资源、验收目标及已有承诺；明确不能改变的约束。 产物为可执行交付计划与可追溯状态；AI不能以模拟同事沟通伪造承诺，系统技术方案由W-C11另接收。 ## 输入 - 交付目标与现有基线：给实际范围、里程碑、预算、资源、验收目标及已有承诺；明确不能改变的约束。 - 状态证据：冻结工单/版本/验收、依赖、资源日历、费用与更新日期；每个进度分开开发、部署、验收。 - 决定权限：明确谁可批准范围/预算/时间承诺与对外发送；缺真实确认则交待确认影响，不静默承诺。 ## 交付物 - 依赖/资源可执行的基线与至少一种冲突/风险备选 - 状态/风险/范围变更影响、真实决定和待确认责任期限 - 交付验收差距、运营移交及证据到承诺的记录 ## 验收 1. 状态可追溯 方法：关键进度连到实际工单/产物/验收记录并标时效；冲突并列。 拒收：一条提交即被写成客户验收完成。 2. 重排可执行 方法：程序检查依赖、日历/资源冲突与成本，列出范围/时间/风险取舍。 拒收：同一人同时承担互斥工作，依赖未就绪仍承诺日期。 3. 验收与决定真实 方法：记录实际批准/未确认、范围前后与验收差距；移交需有运营任务可接续。 拒收：把会议摘要建议写成各方已同意或把关单当完成。 ## 具体例子 输入：上游晚两周，客户日期固定，两个关键工程师重叠。 预期产物：资源/依赖冲突、范围/阶段交付备选与真实决定待办、验收缺口。 失败：把未完成接口写已完成，静默减少范围以填绿状态表。 ## 工作重组 以前：资料、实现/处理与验证分散交接，完成记录易脱离实际结果。 现在：Agent收集状态、计算依赖/资源并更新方案，直接从产物/验收区分完成阶段；负责人处理范围和真实承诺。 保留： - 确认目标、资源与预算授权，主持真实参与方的冲突和决定；未确认事项不能由AI补造。 新增： - 记录实际批准/未确认、范围前后与验收差距；移交需有运营任务可接续。 ## 人的责任与失败接管 确认目标、资源与预算授权，主持真实参与方的冲突和决定；未确认事项不能由AI补造。 状态冲突保留证据和影响备选；不靠删范围或改验收口径把延期藏起来。 ## 尚待补足 - 真实团队状态时效、资源冲突、承诺与验收事实尚需独立抽核，模拟沟通不能替代。 ## 职业与团队下一步 项目交付基线与状态重排：依赖、资源和验收差距 依赖/资源可执行的基线与至少一种冲突/风险备选 冻结一个依赖延期的项目，混入过期状态/资源冲突，要求Agent给两种可执行方案；用工单与日历程序核对，并独立检查验收差距。 /explore?purpose=career&domain=computing 公司任务已有跨工具研究，而OSWorld2显示动态信息/隐藏状态会造成长期失败。计划与状态可以自动重算，但必须保留身份、时效和承诺边界。 Agent收集状态、计算依赖/资源并更新方案，直接从产物/验收区分完成阶段；负责人处理范围和真实承诺。 在真实授权任务核对产物、失败、返工与接收时间，再据此配置工具、环境和人员。 /explore?purpose=team&domain=computing ## 证据与关系 - TheAgentCompany v3：https://arxiv.org/abs/2412.14161v3 定位：Abstract；simulated company environment；公开 2024-12-18；v3修订2025-09-10；核查 2026-10-20；复查 2027-01-20 支持：公司任务有直接研究对象。 未覆盖：模拟组织；本文不采用总体比例推断项目管理能力。 - OSWorld2.0 v2：https://arxiv.org/abs/2606.29537v2 定位：Abstract：108 long-horizon workflows；binary/partial；公开 2026-06-28；v2修订2026-07-13；核查 2026-10-20；复查 2027-01-20 支持：提醒状态任务与最终完成分别验证。 未覆盖：通用跨应用基准，不是系统方案或项目绩效专属试验。 - TheAgentCompany 官方环境：https://github.com/TheAgentCompany/TheAgentCompany 定位：README：evaluation；task roles/result-based grading；公开 持续更新仓库；本次2026-10-20访问；核查 2026-10-20；复查 2027-01-20 支持：公司工作环境有可验结果方法。 未覆盖：真实协调/计划实现不由基准保证。 ## 任务级判断与证据 采用方式：分阶段接收 从证据到建议：公司任务已有跨工具研究，而OSWorld2显示动态信息/隐藏状态会造成长期失败。计划与状态可以自动重算，但必须保留身份、时效和承诺边界。 当前可用性：mixed；公开可重建公司环境可研究工作法；真实工单/看板/日历访问与写权限需组织提供，未接入本站。 - TheAgentCompany：https://github.com/TheAgentCompany/TheAgentCompany 2026-10-20公开仓库HEAD 98b68ef82a47690c316f42fddb05baafaab56851；实际运行另固定依赖/镜像/模型；开源；隔离部署和模型账户自备 ### TheAgentCompany在模拟公司网站、数据与同事沟通中测试跨工具工作；可执行任务存在，但困难长流程不等于自动完成整职业。 依据身份：外部报告结果；状态：active - TheAgentCompany v3：https://arxiv.org/abs/2412.14161v3 定位：Abstract；environment and baseline evaluation；关系：partial 支持：公司任务有直接研究对象。 限制：模拟组织；本文不采用总体比例推断项目管理能力。 核查：2026-10-20；来源状态：active 配置：论文v3闭源API和开放权重agent基线、模拟小型软件公司与结果验收；本页不声称某个模型在项目子集上的成绩。 适用限制：模拟组织；本文不采用总体比例推断项目管理能力。 ### OSWorld2.0的长流程评估指出约束、动态信息和隐藏状态会造成失败；部分得分不能代替完整流程。 依据身份：外部报告结果；状态：active - OSWorld2.0 v2：https://arxiv.org/abs/2606.29537v2 定位：Abstract；binary-completion metric；关系：partial 支持：提醒状态任务与最终完成分别验证。 限制：通用跨应用基准，不是系统方案或项目绩效专属试验。 核查：2026-10-20；来源状态：active 配置：v2：108流程；论文500步主口径，二元完成/部分分分开，具体模型配置按论文，未在本站运行。 适用限制：通用跨应用基准，不是系统方案或项目绩效专属试验。 相关进展（本条判断）： - OSWorld2.0挑战跨工具长流程和隐藏状态：/explore?purpose=understand&domain=computing&window=all#P-C-LONG-STATE 首次公开 2026-06-28；资料修订 2026-07-13：文档版本/结果表述修订；没有据此推定新的模型能力跃迁。 ### 可让Agent交付可追溯项目状态与可执行重排，但承诺与验收必须连到实际参与方和产物。 依据身份：有条件的编辑推断；状态：active - TheAgentCompany 官方环境：https://github.com/TheAgentCompany/TheAgentCompany 定位：task roles/result-based grading；关系：partial 支持：公司工作环境有可验结果方法。 限制：真实协调/计划实现不由基准保证。 核查：2026-10-20；来源状态：active 适用限制：真实协调/计划实现不由基准保证。 ## 情境变化 ### 基线与资源计划 输入变化：项目初期需要范围/里程碑与资源预算。 判断变化：按依赖和容量可执行性接收，不把估算当承诺。 验收变化：资源日历、关键路径、风险缓冲和验收目标。 ### 风险与范围变更 输入变化：发生延期、问题、费用/需求变化。 判断变化：生成影响/备选与决定记录，不静默变更基线。 验收变化：范围/时间/预算前后、真实批准和依赖传播。 ### 验收移交与沟通 输入变化：进入交付阶段，需要状态与冲突/运营材料。 判断变化：可整合信息与待发送内容，实际反馈/接收需真实证据。 验收变化：产物/测试/运营接手、未完成差距、已确认决定和责任期限。 研究前沿：TheAgentCompany实测模拟公司跨工具任务；OSWorld2.0进一步实测108个长流程，指出动态信息、约束和隐藏状态导致失败。它们支持状态化工作可评估，但没有给真实组织按期交付/协商承诺成功率。 下一项验证：冻结一个依赖延期的项目，混入过期状态/资源冲突，要求Agent给两种可执行方案；用工单与日历程序核对，并独立检查验收差距。 未来改判信号： - 新状态到来后依赖/资源计划仍可执行，承诺与实际决定一致，可考虑扩大相近输入范围。 - 过期/推断状态写成完成，或范围变化未进入验收与预算，应收窄或暂停相应采用。 # 终端配置与迁移：交付可用设备及完整用户资料 工作单元：W-C23；版本：2026-10-21.workunits.2；复核：2026-10-20 交付按目标账户、策略和软件版本配置的终端/应用，完成必要数据迁移并证明代表用户工作可用。 ## 当前用法 可委派获准安装、策略配置和数据核对，按实际用户任务、资料完整与权限接收；缺设备/许可时交明确实施阻塞。 依据：微软IT管理员随机试验在登录排障、策略与设备故障情景观察到Copilot辅助的准确性/耗时改善；这不是无人维修实测；Security Copilot在Entra/Intune等工具中的接入受租户、产品权限和容量影响；不能由产品文档推定已经在本用户可用。 来源状态：active 本站记录：本次只核查公开材料和任务契约；未在本站运行该任务、工具或模型。 条件： - 提供获准管理入口、安装许可/资源、源目标访问、备份和回退；敏感用户内容控制在必要范围。 - 固定代表用户身份、文件/应用任务和权限负例、迁移核对及重启/升级行为。 ## 请求与范围 给用户任务、设备/OS、软件版本、账户/策略、源资料与需保留内容，明确新配置应允许/拒绝什么。 对象是新配置/实施迁移后的可用状态，非故障修复；物理安装/身份核验若无法远程执行需明确实际接收条件。 ## 输入 - 配置/迁移目标：给用户任务、设备/OS、软件版本、账户/策略、源资料与需保留内容，明确新配置应允许/拒绝什么。 - 执行条件：提供获准管理入口、安装许可/资源、源目标访问、备份和回退；敏感用户内容控制在必要范围。 - 接收任务：固定代表用户身份、文件/应用任务和权限负例、迁移核对及重启/升级行为。 ## 交付物 - 可重放安装/配置/迁移与版本/策略差异 - 源目标资料/账户/权限对照及真实用户任务结果 - 恢复/回退、未支持应用/设备和运营交接记录 ## 验收 1. 配置按角色真实可用 方法：以用户身份执行应用/连接/文件任务，重启后检查，不能只看安装成功。 拒收：管理员安装完成但用户无法访问应用。 2. 资料与保护不丢 方法：独立核对源目标清单/内容/权限与策略，失败可回退。 拒收：迁移只拷文件名，内容/权限错误。 3. 维护可接续 方法：另一支持者按记录重放差异和回退，标出许可/硬件未完成项。 拒收：脚本只在当前设备碰巧生效且没有版本记录。 ## 具体例子 输入：为新终端安装业务软件并迁移旧资料/策略。 预期产物：角色化配置、文件内容/权限核对与原用户代表任务。 失败：安装成功但凭据/权限缺失，文件内容不完整。 ## 工作重组 以前：资料、实现/处理与验证分散交接，完成记录易脱离实际结果。 现在：Agent整合配置目标、操作获准管理入口并做资料/策略核对；确定性安装/复制可直接脚本执行。 保留： - 确认身份/设备授权、数据保留、许可和不可逆账户操作。 新增： - 另一支持者按记录重放差异和回退，标出许可/硬件未完成项。 ## 人的责任与失败接管 确认身份/设备授权、数据保留、许可和不可逆账户操作。 源资料或许可不足不伪造实施；保留备份和未迁移清单，不清空用户资料制造干净状态。 ## 尚待补足 - 目标终端/软件/许可、源目标资料完整与用户权限/重启行为尚未实际配置验证。 ## 职业与团队下一步 终端配置与迁移：交付可用设备及完整用户资料 可重放安装/配置/迁移与版本/策略差异 给一个测试终端和源资料快照，用用户/越权角色验收；迁移后重启，核对资料内容、应用任务与回退。 /explore?purpose=career&domain=computing IT管理员RCT含设备策略/故障情景，对信息整合有直接邻近依据；配置完成仍要目标设备/用户检查，不能由回答准确推断迁移成功。 Agent整合配置目标、操作获准管理入口并做资料/策略核对；确定性安装/复制可直接脚本执行。 在真实授权任务核对产物、失败、返工与接收时间，再据此配置工具、环境和人员。 /explore?purpose=team&domain=computing ## 证据与关系 - IT管理员 Security Copilot RCT v2：https://arxiv.org/abs/2411.01067v2 定位：Abstract；Entra/Intune三类情景；公开 2024-11-01；v2修订2024-11-12；核查 2026-10-20；复查 2027-01-20 支持：IT支持工作有直接领域试验。 未覆盖：厂商相关、参与者加Copilot；本页不转用总体提升幅度。 - Security Copilot inclusion现行说明：https://learn.microsoft.com/en-us/copilot/security/security-copilot-inclusion 定位：Eligibility；products/permissions；agents deployment；公开 未标注单页发布日期；核查 2026-10-20；复查 2027-01-20 支持：明确当前可用条件。 未覆盖：未在本站租户启用，不保证所有设备动作可执行。 ## 任务级判断与证据 采用方式：分阶段接收 从证据到建议：IT管理员RCT含设备策略/故障情景，对信息整合有直接邻近依据；配置完成仍要目标设备/用户检查，不能由回答准确推断迁移成功。 当前可用性：mixed；有条件商业助手与开源桌面试验环境；未连接任何用户设备。 - Security Copilot：https://learn.microsoft.com/en-us/copilot/security/security-copilot-inclusion 2026-10-20核查；租户实际版本/启用另记；需产品许可、容量、角色与组织设置 - OSWorld：https://github.com/xlang-ai/OSWorld 2026-10-20公开仓库HEAD 9f4b4d34319589f3ba6947da6045b0955b08900e；实际运行另固定依赖/镜像/模型；开源隔离桌面环境，模型与系统资源另备 ### 微软IT管理员随机试验在登录排障、策略与设备故障情景观察到Copilot辅助的准确性/耗时改善；这不是无人维修实测。 依据身份：外部报告结果；状态：active - IT管理员 Security Copilot RCT v2：https://arxiv.org/abs/2411.01067v2 定位：Abstract；three scenarios；关系：partial 支持：IT支持工作有直接领域试验。 限制：厂商相关、参与者加Copilot；本页不转用总体提升幅度。 核查：2026-10-20；来源状态：active 配置：v2：Entra/Intune中有/无Security Copilot的随机组；三情景，问答/自由回答口径区分；v2修正时间数字。 适用限制：厂商相关、参与者加Copilot；本页不转用总体提升幅度。 相关进展（本条判断）： - IT管理员RCT覆盖登录、策略和设备排障：/explore?purpose=understand&domain=computing&window=all#P-C-IT-RCT 首次公开 2024-11-01；资料修订 2024-11-12：文档版本/结果表述修订；没有据此推定新的模型能力跃迁。 ### Security Copilot在Entra/Intune等工具中的接入受租户、产品权限和容量影响；不能由产品文档推定已经在本用户可用。 依据身份：工具与方法依据；状态：active - Security Copilot inclusion现行说明：https://learn.microsoft.com/en-us/copilot/security/security-copilot-inclusion 定位：Eligibility；permissions；agents deployment；关系：method 支持：明确当前可用条件。 限制：未在本站租户启用，不保证所有设备动作可执行。 核查：2026-10-20；来源状态：active 适用限制：未在本站租户启用，不保证所有设备动作可执行。 ### 可委派终端配置/迁移，但实际可用性与资料完整必须在源目标和用户身份下核对。 依据身份：有条件的编辑推断；状态：active - IT管理员 Security Copilot RCT v2：https://arxiv.org/abs/2411.01067v2 定位：device policy/device troubleshooting scenarios；关系：partial 支持：领域任务研究提供邻近整合依据。 限制：设备策略诊断研究不代表本迁移已实测。 核查：2026-10-20；来源状态：active 适用限制：设备策略诊断研究不代表本迁移已实测。 ## 情境变化 ### 软件与账户配置 输入变化：新装应用、身份、连接和策略。 判断变化：按角色任务和拒绝矩阵接收。 验收变化：重启、版本/许可、访问与越权负例。 ### 用户数据迁移 输入变化：源目标设备/软件版本不同。 判断变化：先固定保留范围、备份与回退再实施。 验收变化：内容/权限/格式、应用可读取性、重复/中断和回退。 研究前沿：IT管理员RCT实际在Entra/Intune的登录、设备策略/排障任务比较人加Copilot与对照；研究对象是辅助信息工作，不是自主新机迁移。现行文档给出产品/权限接入条件，真实设备资料与用户任务仍需另验。 下一项验证：给一个测试终端和源资料快照，用用户/越权角色验收；迁移后重启，核对资料内容、应用任务与回退。 未来改判信号： - 新终端/软件版本下用户任务、资料与权限核对都保持正确，可考虑扩大相近输入范围。 - 安装成功但用户无法使用，或内容/权限在迁移中丢失，应收窄或暂停相应采用。 # 系统采用与用户支持材料：让使用者完成真实任务 工作单元：W-C24；版本：2026-10-21.workunits.2；复核：2026-10-20 交付针对角色任务的指引/培训/交接材料及实际使用反馈，定位系统或知识缺口并给出可复验改进。 ## 当前用法 可委派制作角色化支持材料并组织问题诊断；以独立使用者实际完成任务接收，缺真实用户时只能接收材料可执行性。 依据：TheAgentCompany公开任务环境与结果检查可用于检验指引是否可执行；用户采用/培训收益没有直接任务试验，需以真实独立用户任务反馈验证。 来源状态：active 本站记录：本次只核查公开材料和任务契约；未在本站运行该任务、工具或模型。 条件： - 冻结目标版本、权限、任务样例、已知错误/常见问题和可访问性条件，提供安全演练环境。 - 准备代表用户或独立接收者、任务脚本与成功/阻塞判据；未经授权的外发只交待发送材料。 ## 请求与范围 给角色、真实工作任务、前置知识、现有系统/流程与需要的独立完成结果。 产物是可用支持材料与采用证据，不是生成教材本身；不能由模拟同事评价冒充真实用户完成效果。 ## 输入 - 使用目标：给角色、真实工作任务、前置知识、现有系统/流程与需要的独立完成结果。 - 材料与系统：冻结目标版本、权限、任务样例、已知错误/常见问题和可访问性条件，提供安全演练环境。 - 反馈与接收：准备代表用户或独立接收者、任务脚本与成功/阻塞判据；未经授权的外发只交待发送材料。 ## 交付物 - 按角色任务可操作的指引/培训/交接及版本 - 代表任务的真实完成/阻塞、反馈与修改记录 - 知识缺口/系统缺陷分离、升级入口与后续维护条件 ## 验收 1. 步骤在目标环境可执行 方法：独立接收者按材料完成任务，核对真实结果，不靠作者解释救场。 拒收：只有截图说明，关键权限/异常步骤无法执行。 2. 缺口定位正确 方法：观察失败到底是材料、权限、产品缺陷还是前置知识；修订后重测。 拒收：把系统错误归咎用户，或把同意度评分当学会任务。 3. 资料可维护且可访问 方法：记录版本、角色/语言、异常/恢复与升级条件，按键盘/缩放等目标条件查使用。 拒收：系统升级后旧步骤继续分发且无异常入口。 ## 具体例子 输入：新系统上线后用户不会处理导入错误。 预期产物：可执行错误诊断/恢复指引，独立用户完成与阻塞记录。 失败：只发通用培训PDF，实际导入仍失败却说培训完成。 ## 工作重组 以前：资料、实现/处理与验证分散交接，完成记录易脱离实际结果。 现在：Agent按角色生成可执行材料、在环境重放并根据真实反馈修订；稳定步骤可自动版本化，使用效果仍从真实任务观察。 保留： - 选代表用户/任务、确认外发和数据授权，决定材料可用范围和支持责任。 新增： - 记录版本、角色/语言、异常/恢复与升级条件，按键盘/缩放等目标条件查使用。 ## 人的责任与失败接管 选代表用户/任务、确认外发和数据授权，决定材料可用范围和支持责任。 没有真实反馈不虚构满意/解决率；若问题来自产品或权限则转具体修复任务并保留支持路径。 ## 尚待补足 - 目标用户独立完成、材料/产品/权限失败区分和版本变化后的采用效果尚无现场反馈。 ## 职业与团队下一步 系统采用与用户支持材料：让使用者完成真实任务 按角色任务可操作的指引/培训/交接及版本 选一项目标用户原先常失败的任务，冻结目标环境；让未看制作过程的接收者照材料执行，记录完成、阻塞、时间和修订后结果。 /explore?purpose=career&domain=computing 公司环境提供跨工具任务方法，可用于检查指引步骤；采用/培训收益没有本任务直接AI实测，因此不从办公基准外推。具体任务完成与反馈能使这一交付可验证。 Agent按角色生成可执行材料、在环境重放并根据真实反馈修订；稳定步骤可自动版本化，使用效果仍从真实任务观察。 在真实授权任务核对产物、失败、返工与接收时间，再据此配置工具、环境和人员。 /explore?purpose=team&domain=computing ## 证据与关系 - TheAgentCompany 官方环境：https://github.com/TheAgentCompany/TheAgentCompany 定位：README：evaluation；task roles/result-based grading；公开 持续更新仓库；本次2026-10-20访问；核查 2026-10-20；复查 2027-01-20 支持：可执行任务方法提供邻近参照。 未覆盖：不证明本教材学习效果或真实同事反馈。 ## 任务级判断与证据 采用方式：分阶段接收 从证据到建议：公司环境提供跨工具任务方法，可用于检查指引步骤；采用/培训收益没有本任务直接AI实测，因此不从办公基准外推。具体任务完成与反馈能使这一交付可验证。 当前可用性：open-implementation；材料可直接用普通文档工具制作；浏览器用于在目标系统重放指引，真实用户与系统权限需另提供。 - Playwright MCP：https://github.com/microsoft/playwright-mcp 2026-10-20公开仓库HEAD ab6d67cbf8b619338f096980806fdbe29432cc4d；实际运行另固定依赖/镜像/模型；公开接口；目标系统/用户身份和独立接收者另备 ### 可把公开公司工作环境中的可执行任务方法用于检查支持材料是否引导到真实结果，但培训/采用收益需真实使用反馈。 依据身份：有条件的编辑推断；状态：active - TheAgentCompany 官方环境：https://github.com/TheAgentCompany/TheAgentCompany 定位：result-based evaluation/task environment；关系：partial 支持：可执行任务方法提供邻近参照。 限制：不证明本教材学习效果或真实同事反馈。 核查：2026-10-20；来源状态：active 适用限制：不证明本教材学习效果或真实同事反馈。 ## 情境变化 ### 系统采用与交接 输入变化：新流程/系统角色需要独立使用或运营接手。 判断变化：先验证代表任务，再扩大培训范围。 验收变化：实际任务、权限/异常、运营责任和未完成差距。 ### 知识库与自助支持 输入变化：重复问题需要可维护解决路径。 判断变化：生成材料后以真实恢复/升级结果迭代。 验收变化：版本、查询匹配、失败分流和用户独立完成。 研究前沿：公开公司环境可执行多角色任务并按结果检查，可用于验证指引步骤是否可操作；它没有直接展示本系统用户培训或长期采用效果。当前可委派材料制作/环境重放，真实独立用户完成是下一项证据。 下一项验证：选一项目标用户原先常失败的任务，冻结目标环境；让未看制作过程的接收者照材料执行，记录完成、阻塞、时间和修订后结果。 未来改判信号： - 不同目标用户可独立按材料完成任务，支持返工与升级负担下降，可考虑扩大相近输入范围。 - 满意度/材料数量掩盖实际任务失败，或系统更新使指引过期，应收窄或暂停相应采用。 # 论文复现交付：贡献到实际实验结果 工作单元：W-C25；版本：2026-10-21.workunits.2；复核：2026-10-20 针对固定论文贡献交付独立可运行实现及实际复现实验，逐项报告成功、差异与未复现范围。 ## 当前用法 可委派理解论文、实现、实验与诊断循环；按每项贡献的真实产物接收，可部分完成但不能省略失败或预算。 依据：PaperBench要求从论文到代码和实际实验，以贡献评分准则（rubric）分开检查；原实验报告部分复现能力且没有超过其人类参照。 来源状态：active 本站记录：本次只核查公开材料和任务契约；未在本站运行该任务、工具或模型。 条件： - 准备许可数据、代码访问边界、硬件/依赖、基线和实际预算；区分从零实现与可复用原作者代码。 - 把贡献连到可验证产物和实验结果，预留独立复跑；LLM评价不能单独证明数值/数学正确。 ## 请求与范围 固定原论文版本、补充/澄清和目标贡献，列需要复现的实验/理论结论及允许差异。 对象为既有结果的复现，不是原创发现；部分子贡献得分不能写成整篇论文成功，理论证明另以对应论证接收。 ## 输入 - 复现目标：固定原论文版本、补充/澄清和目标贡献，列需要复现的实验/理论结论及允许差异。 - 数据与环境：准备许可数据、代码访问边界、硬件/依赖、基线和实际预算；区分从零实现与可复用原作者代码。 - 独立rubric：把贡献连到可验证产物和实验结果，预留独立复跑；LLM评价不能单独证明数值/数学正确。 ## 交付物 - 按贡献组织的实现、环境/依赖与数据来源 - 实际执行日志、基线/消融/结果表及预算/失败账本 - 逐贡献复现状态、与原文差异原因及可复用材料 ## 验收 1. 确实运行关键贡献 方法：从固定环境重跑核心实验并核对产物/数据，代码存在或论文文字不计运行。 拒收：只生成完整仓库而没有训练/实验输出。 2. 比较口径对应原文 方法：检查数据划分、预处理、预算、硬件/模型版本与指标定义，差异显式报告。 拒收：换更容易数据或多用预算却宣称精确复现。 3. 完成声明相称 方法：每项贡献有证据与失败/缺口，不将部分分或裁判摘要改为整论文成功。 拒收：模型judge说像原文，就忽略数值/理论错误。 ## 具体例子 输入：复现一篇图模型论文的两个关键实验与一个消融。 预期产物：可重跑实现、数据/种子/资源、真实表格和未复现贡献。 失败：只画类似图，不记录训练与选择次数。 ## 工作重组 以前：资料、实现/处理与验证分散交接，完成记录易脱离实际结果。 现在：Agent可检索澄清、实现和运行，按失败/统计差异修订；目标贡献与独立复跑保持固定。 保留： - 确定复现价值、数据许可/预算，裁决何种差异仍算同一贡献；研究新颖性不在复现成功中偷渡。 新增： - 每项贡献有证据与失败/缺口，不将部分分或裁判摘要改为整论文成功。 ## 人的责任与失败接管 确定复现价值、数据许可/预算，裁决何种差异仍算同一贡献；研究新颖性不在复现成功中偷渡。 运行环境或预算不足交已实现/已运行/未运行分界，不能用预计成绩填结果。 ## 尚待补足 - 目标贡献的真实运行、原文口径/预算比较和独立干净环境复跑尚未完成。 ## 职业与团队下一步 论文复现交付：贡献到实际实验结果 按贡献组织的实现、环境/依赖与数据来源 选一项可公开且预算可控的论文贡献，校准独立rubric；让Agent交完整复现账本，再从干净环境复跑关键输出并解释差异。 /explore?purpose=career&domain=computing PaperBench直接把论文复现作为实际运行任务，提供贡献rubric与裁判校准；这比代码生成更贴近研究复用结果，但仍是有分布和评价误差的评估。 Agent可检索澄清、实现和运行，按失败/统计差异修订；目标贡献与独立复跑保持固定。 在真实授权任务核对产物、失败、返工与接收时间，再据此配置工具、环境和人员。 /explore?purpose=team&domain=computing ## 证据与关系 - PaperBench v3：https://arxiv.org/abs/2504.01848v3 定位：Abstract；replication rubrics与judge；公开 2025-04-02；v3修订2025-04-07；核查 2026-10-20；复查 2027-01-20 支持：直接研究复现任务证据。 未覆盖：部分评分和LLM裁判均有局限；不代表完整复现成功率。 ## 任务级判断与证据 采用方式：探索与候选交付 从证据到建议：PaperBench直接把论文复现作为实际运行任务，提供贡献rubric与裁判校准；这比代码生成更贴近研究复用结果，但仍是有分布和评价误差的评估。 当前可用性：open-implementation；实际复现使用PaperBench与目标论文的贡献和执行入口；目标数据、环境与计算条件仍需准备。 - PaperBench论文及作者代码入口：https://arxiv.org/abs/2504.01848v3 论文v3和目标贡献评分准则（rubric）；代码/依赖/镜像执行时固定；公开论文链接代码；数据许可、计算硬件和模型预算另备 ### PaperBench要求从论文到代码和实际实验，以贡献评分准则（rubric）分开检查；原实验报告部分复现能力且没有超过其人类参照。 依据身份：外部报告结果；状态：active - PaperBench v3：https://arxiv.org/abs/2504.01848v3 定位：Abstract；rubrics/judge/baselines；关系：partial 支持：直接研究复现任务证据。 限制：部分评分和LLM裁判均有局限；不代表完整复现成功率。 核查：2026-10-20；来源状态：active 配置：v3：20篇ICML2024论文，作者参与rubric，8316子项；原最佳Claude3.5 Sonnet(New)+开放脚手架，本站不转用评分。 适用限制：部分评分和LLM裁判均有局限；不代表完整复现成功率。 相关进展（本条判断）： - PaperBench把论文复现拆为可检查贡献：/explore?purpose=understand&domain=computing&window=all#P-C-REPRO-RESEARCH 首次公开 2025-04-02；资料修订 2025-04-07：文档版本/结果表述修订；没有据此推定新的模型能力跃迁。 ### 可让Agent交从论文到实际实验的复现包，但每项贡献应由独立结果核对，部分成功与完整复现分开。 依据身份：有条件的编辑推断；状态：active - PaperBench v3：https://arxiv.org/abs/2504.01848v3 定位：rubrics and judge；关系：partial 支持：直接复现评测支持按贡献接收。 限制：裁判和数据分布有限；本目标未试验。 核查：2026-10-20；来源状态：active 适用限制：裁判和数据分布有限；本目标未试验。 ## 情境变化 ### 从零与复用原代码 输入变化：是否能读取作者仓库，是否需从零实现。 判断变化：必须保留使用条件，不混合两种成绩。 验收变化：依赖/代码来源、同数据指标和公平预算。 ### 数值与理论贡献 输入变化：论文同时有经验结果和定理。 判断变化：经验按运行验收，理论另查完整论证。 验收变化：计算输出、统计不确定性与假设/证明分别有证据。 研究前沿：PaperBench以20篇ICML2024论文、作者参与的贡献rubric和实际实验评估复现；其原实验展示部分贡献复现能力并有裁判局限。部分评分不等于整论文成功，本目标论文未运行。 下一项验证：选一项可公开且预算可控的论文贡献，校准独立rubric；让Agent交完整复现账本，再从干净环境复跑关键输出并解释差异。 未来改判信号： - 独立环境能重复关键贡献，差异/预算与失败全部可追踪，可考虑扩大相近输入范围。 - 只生成代码/论文文本、隐藏未跑实验或把部分分写成完整复现，应收窄或暂停相应采用。 # 检索与工具Agent应用交付：任务结果和外部状态 工作单元：W-C26；版本：2026-10-21.workunits.2；复核：2026-10-20 交付能在规定数据、工具与权限内完成目标任务的检索/Agent应用，附引用/结果、拒绝行为、外部副作用和失败恢复证据。 ## 当前用法 可委派应用实现与任务评测；先冻结独立结果/状态控制，按效果、权限和失败路径接收，单条演示不能替代任务族表现。 依据：公开内部数据Agent案例描述了查询/上下文与结果修正闭环，是专用数据系统的自报能力展示，可作邻近任务组织依据；Playwright MCP等公开接口可供Agent操作和观察，但工具存在不能代替任务完成/权限验证。 来源状态：active 本站记录：本次只核查公开材料和任务契约；未在本站运行该任务、工具或模型。 条件： - 固定模型/提示/检索库/工具版本、账户/网络、许可和费用/步数预算，敏感工具隔离试验。 - 准备保留任务、引用真值、提示注入/越权/无答案/超时/重试控制及真实状态查询，区分工具调用和任务完成。 ## 请求与范围 给真实用户目标、代表输入、正确结果/状态、无答案范围与不得做的动作；列需检索的信息来源和工具。 对象是实际任务与工具状态，不是模型聊天质量；可用确定性流程时不强制规划循环，内部路径允许动态选择。 ## 输入 - 任务契约：给真实用户目标、代表输入、正确结果/状态、无答案范围与不得做的动作；列需检索的信息来源和工具。 - 环境与权限：固定模型/提示/检索库/工具版本、账户/网络、许可和费用/步数预算，敏感工具隔离试验。 - 独立控制：准备保留任务、引用真值、提示注入/越权/无答案/超时/重试控制及真实状态查询，区分工具调用和任务完成。 ## 交付物 - 可运行检索/Agent应用、配置/工具/版本与权限边界 - 保留任务产物/引用支持、工具轨迹和外部状态核对 - 注入/越权/重试/依赖失败结果、成本与回退/停止路径 ## 验收 1. 结果和来源对应目标 方法：独立检查引用是否支持每项结论，查询/文件/动作是否改变正确状态；无答案可拒绝。 拒收：引用存在但不支持答案，或只调用工具就算完成。 2. 边界与副作用受控 方法：用注入/越权/恶意检索和重试测试，确认未执行禁止动作、未重复写入。 拒收：从网页指令拿凭据或重复扣款。 3. 失败和成本可接收 方法：截断依赖、改变schema/上下文，记录预算/步骤、失败解释与恢复；不能无止境循环。 拒收：超预算重试隐藏失败，最终产物也无法核对。 ## 具体例子 输入：内部知识问答需要查版本文档并开一个获准工单，无答案应返回缺口。 预期产物：可运行应用、逐项来源与正确工单状态，注入/越权/重试负控制。 失败：答对文字却错开工单，或把检索内容的恶意指令当系统授权。 ## 工作重组 以前：资料、实现/处理与验证分散交接，完成记录易脱离实际结果。 现在：Agent可以检索、选工具与修订结果；稳定部分用普通程序，独立结果检查与权限门禁持续作用。 保留： - 定义任务用途、工具授权、敏感数据及错误代价，明确外部写入/发送权限和停止条件。 新增： - 截断依赖、改变schema/上下文，记录预算/步骤、失败解释与恢复；不能无止境循环。 ## 人的责任与失败接管 定义任务用途、工具授权、敏感数据及错误代价，明确外部写入/发送权限和停止条件。 依赖或语义不足输出可定位阻塞与已完成状态；不能编造引用/工具结果，失败恢复须避免重复副作用。 ## 尚待补足 - 目标检索/工具版本、任务分布、无答案/注入/越权及幂等外部状态尚未校准。 ## 职业与团队下一步 检索与工具Agent应用交付：任务结果和外部状态 可运行检索/Agent应用、配置/工具/版本与权限边界 从真实流程取一组脱敏保留任务及无答案/注入/越权/重试控制；让Agent交可运行应用，独立读出工具最终状态并记录实际费用。 /explore?purpose=career&domain=computing 公开专用数据Agent案例表明检索/查询/结果反馈可以形成任务闭环，公开浏览器工具提供操作接口；迁移到新工具/权限必须用目标任务和副作用控制核验。 Agent可以检索、选工具与修订结果；稳定部分用普通程序，独立结果检查与权限门禁持续作用。 在真实授权任务核对产物、失败、返工与接收时间，再据此配置工具、环境和人员。 /explore?purpose=team&domain=computing ## 证据与关系 - OpenAI内部分析Agent：从业务问题到查询与报告：https://openai.com/index/inside-our-in-house-data-agent/ 定位：How it works；Context；Evals；Guide the Goal, Not the Path；公开 2026-01-29；核查 2026-10-19；复查 2026-10-26 支持：已有专用Agent任务闭环案例。 未覆盖：不是可下载同配置应用，也不评估本站工具写入/对抗条件。 - Playwright MCP 官方实现：https://github.com/microsoft/playwright-mcp 定位：README：tools、browser configuration；公开 持续更新仓库；本次2026-10-20访问；核查 2026-10-20；复查 2027-01-20 支持：提供实际工具接口。 未覆盖：不保证本应用效果或阻挡所有注入。 ## 任务级判断与证据 采用方式：分阶段接收 从证据到建议：公开专用数据Agent案例表明检索/查询/结果反馈可以形成任务闭环，公开浏览器工具提供操作接口；迁移到新工具/权限必须用目标任务和副作用控制核验。 当前可用性：mixed；数据Agent为专用内部系统；公开浏览器接口可用，目标模型/检索/工具环境需配置并固定版本。 - Playwright MCP：https://github.com/microsoft/playwright-mcp 2026-10-20公开仓库HEAD ab6d67cbf8b619338f096980806fdbe29432cc4d；实际运行另固定依赖/镜像/模型；开源接口；应用身份/模型与目标工具权限另备 ### 公开内部数据Agent案例描述了查询/上下文与结果修正闭环，是专用数据系统的自报能力展示，可作邻近任务组织依据。 依据身份：外部报告结果；状态：active - OpenAI内部分析Agent：从业务问题到查询与报告：https://openai.com/index/inside-our-in-house-data-agent/ 定位：How it works；Context is everything；关系：partial 支持：已有专用Agent任务闭环案例。 限制：不是可下载同配置应用，也不评估本站工具写入/对抗条件。 核查：2026-10-19；来源状态：active 配置：2026-01-29案例，GPT-5.2与专用数据/语义/权限；golden SQL/结果比较；未公开本任务分母/成本。 适用限制：不是可下载同配置应用，也不评估本站工具写入/对抗条件。 ### Playwright MCP等公开接口可供Agent操作和观察，但工具存在不能代替任务完成/权限验证。 依据身份：工具与方法依据；状态：active - Playwright MCP 官方实现：https://github.com/microsoft/playwright-mcp 定位：README tools/browser configuration；关系：method 支持：提供实际工具接口。 限制：不保证本应用效果或阻挡所有注入。 核查：2026-10-20；来源状态：active 适用限制：不保证本应用效果或阻挡所有注入。 ### 可委派检索/工具应用的实现与评测，但接收需同时核对结果、来源与真实外部状态；任务预算与失败边界明确。 依据身份：有条件的编辑推断；状态：active - OpenAI内部分析Agent：从业务问题到查询与报告：https://openai.com/index/inside-our-in-house-data-agent/ 定位：Lessons/contexts/results；关系：partial 支持：专用任务闭环提供邻近迁移依据。 限制：外部状态、权限与真实任务效果必须另验。 核查：2026-10-19；来源状态：active 适用限制：外部状态、权限与真实任务效果必须另验。 ## 情境变化 ### 检索与可引用回答 输入变化：结果为依据资料的回答/分析，不改变外部状态。 判断变化：可整包交付，先校准来源支持、缺失/过期资料与无答案。 验收变化：逐项引用支持、版本/新鲜度、无答案和恶意资料。 ### 工具与外部状态 输入变化：需要创建/修改工单、文件或执行获准操作。 判断变化：按任务效果和副作用分阶段接收，权限不能由资料授予。 验收变化：工具参数、真实最终状态、注入/越权、幂等与失败恢复。 研究前沿：公开内部数据Agent案例描述专用语义/查询/结果反馈闭环；Playwright MCP公开工具接口便于操作网页。前者是厂商专用案例、后者是方法，均不证明本应用写工具、对抗注入和任务族稳定性。 下一项验证：从真实流程取一组脱敏保留任务及无答案/注入/越权/重试控制；让Agent交可运行应用，独立读出工具最终状态并记录实际费用。 未来改判信号： - 新保留任务下结果/来源和外部状态持续正确，预算与边界受控，可考虑扩大相近输入范围。 - 注入导致越权、引用不支持结论或重试造成重复副作用，应收窄或暂停相应采用。 # 备份资产交付：持续产生受保护且可还原的备份集 工作单元：W-C27；版本：2026-10-21.workunits.2；复核：2026-10-20 建立并维护满足恢复目标的基础/增量备份与连续归档机制，交付真实备份资产、失败检测和保留依赖。 ## 当前用法 可委派备份/归档配置与受限执行，按真实受保护资产、运行失败控制和独立还原接收；不由一般DB运维成绩推断备份成功。 依据：PostgreSQL18区分基础/增量备份、连续归档和还原，并说明归档失败/落后后果。这支持可执行接收设计；AI组织与调试是工具方法上的迁移判断。 来源状态：active 本站记录：本次核查公开资料与任务契约，未在本站运行目标任务或新增模型试次。 条件： - 冻结备份/归档工具、调度、存储/加密/密钥与访问权限，配置文件需单独保护；列基础/增量/WAL依赖。 - 独立准备失败/落后/空间不足信号、保留删除规则、源库业务探针和W-C16恢复环境。 ## 请求与范围 给库/版本、关键数据/配置、RPO/RTO、恢复范围、保留期限与数据敏感性；明确可接受备份负载。 产物是可持续生成的可恢复资产，而非从已有备份还原实例；W-C16作为独立还原验收接口，两者可分别接收。 ## 输入 - 恢复目标与源库：给库/版本、关键数据/配置、RPO/RTO、恢复范围、保留期限与数据敏感性；明确可接受备份负载。 - 资产与执行环境：冻结备份/归档工具、调度、存储/加密/密钥与访问权限，配置文件需单独保护；列基础/增量/WAL依赖。 - 运行与验收：独立准备失败/落后/空间不足信号、保留删除规则、源库业务探针和W-C16恢复环境。 ## 交付物 - 可执行基础/增量备份、连续归档和调度/保护配置 - 真实备份/归档清单、链与配置/密钥依赖；受限访问/完整性结果 - 失败/落后告警、保留依赖与周期/负载取舍；独立还原所需接口和结果 ## 验收 1. 确实产生可用资产 方法：执行备份和归档，核对基础/增量/WAL依赖与配置、完整性、访问和密钥可获得性；交W-C16真还原。 拒收：只有脚本或文件名，没有可还原链。 2. 失败被及时暴露 方法：模拟归档返回失败/存储满/落后，观察告警、WAL积压与源库影响，不把缺测写健康。 拒收：归档命令误报成功导致所需日志被回收。 3. 保留与预算一致 方法：演练保留清理，确认不删仍被引用的基础/WAL，测备份负载和实际周期，复核目标恢复范围。 拒收：删旧基础后增量仍在，或备份拖垮源库却声称满足目标。 ## 具体例子 输入：库需持续归档且保留一周恢复范围，备份窗口有限。 预期产物：真实资产/链/配置保护，落后/失败告警与独立恢复结果。 失败：备份作业绿色，但归档误报成功且日志缺段。 ## 工作重组 以前：备份脚本、存储、告警和恢复演练分别维护，成功状态容易只看任务退出码。 现在：Agent联合配置、执行、资产核对与失败诊断；稳定调度直接程序运行，独立还原挑战资产。 保留： - 确定恢复/保留/保护目标、密钥与生产负载/删除权限，裁决RPO/RTO与成本取舍。 新增： - 演练保留清理，确认不删仍被引用的基础/WAL，测备份负载和实际周期，复核目标恢复范围。 ## 人的责任与失败接管 确定恢复/保留/保护目标、密钥与生产负载/删除权限，裁决RPO/RTO与成本取舍。 无法获得所需配置/日志/密钥时交准确缺口；不把无法还原资产标完成，保留原链避免误删。 ## 尚待补足 - 在授权测试库建立一个备份周期，注入归档失败/空间不足与保留清理，再由独立W-C16恢复到指定事务点。 ## 职业与团队下一步 数据库备份与保护 可执行基础/增量备份、连续归档和调度/保护配置 在授权测试库建立一个备份周期，注入归档失败/空间不足与保留清理，再由独立W-C16恢复到指定事务点。 /explore?purpose=career&domain=computing PostgreSQL18区分基础/增量备份、连续归档和还原，并说明归档失败/落后后果。这支持可执行接收设计；AI组织与调试是工具方法上的迁移判断。 Agent联合配置、执行、资产核对与失败诊断；稳定调度直接程序运行，独立还原挑战资产。 在授权测试库建立一个备份周期，注入归档失败/空间不足与保留清理，再由独立W-C16恢复到指定事务点。 /explore?purpose=team&domain=computing ## 证据与关系 - PostgreSQL18 连续归档与PITR：https://www.postgresql.org/docs/18/continuous-archiving.html 定位：25.3.1/25.3.2/25.3.5/25.3.8；公开 PostgreSQL18文档，单页未标发布日期；核查 2026-10-20；复查 2027-01-20 支持：支持备份产生/维护的独立结果契约。 未覆盖：原生方法不是AI备份试验。 ## 任务级判断与证据 采用方式：分阶段接收 从证据到建议：PostgreSQL18区分基础/增量备份、连续归档和还原，并说明归档失败/落后后果。这支持可执行接收设计；AI组织与调试是工具方法上的迁移判断。 当前可用性：mixed；原生工具可用；调度/存储/密钥和访问保护由目标环境提供，未在本站创建备份。 - PostgreSQL18备份/归档：https://www.postgresql.org/docs/18/continuous-archiving.html 文档18；实际源库、工具、格式与链固定；需授权库、隔离存储/密钥和还原空间 ### PostgreSQL18提供基础/增量备份与WAL归档方法，归档成功语义、失败积压和链依赖必须由实际资产检查。 依据身份：工具与方法依据；状态：active - PostgreSQL18 连续归档与PITR：https://www.postgresql.org/docs/18/continuous-archiving.html 定位：25.3.1—25.3.3；关系：method 支持：支持备份产生/维护的独立结果契约。 限制：原生方法不是AI备份试验。 核查：2026-10-20；来源状态：active 适用限制：原生方法不是AI备份试验。 ### 可把备份配置、受限运行和资产诊断委派给Agent，以真实链、保护/失败控制与独立还原接收。 依据身份：有条件的编辑推断；状态：active - PostgreSQL18 连续归档与PITR：https://www.postgresql.org/docs/18/continuous-archiving.html 定位：归档/备份/恢复接口；关系：partial 支持：可执行原生机制使结果可检验。 限制：没有本库AI成功率，备份创建与还原分别接收。 核查：2026-10-20；来源状态：active 适用限制：没有本库AI成功率，备份创建与还原分别接收。 ## 情境变化 ### 基础增量与归档链 输入变化：使用增量依赖或连续恢复目标。 判断变化：先核对实际依赖与归档完整性，再接收恢复范围。 验收变化：基础/增量/WAL依赖、缺段与恢复点；配置文件另备。 ### 保留与负载约束 输入变化：资产长期增长、备份争用源库资源。 判断变化：清理和周期可委派但不能破坏可恢复窗口。 验收变化：保留删除演练、存储满/落后、业务负载与实际恢复范围。 研究前沿：原生备份/归档机制明确且可获得；尚未核实本备份任务的直接AI试验，脚本生成与一般运维结果均不能证明资产可还原。 下一项验证：在授权测试库建立一个备份周期，注入归档失败/空间不足与保留清理，再由独立W-C16恢复到指定事务点。 未来改判信号： - 多个周期后备份链、失败信号与独立还原持续满足恢复预算，可扩大自动维护。 - 资产链断裂、落后未报警或清理破坏可恢复性时停止相应自动删除/备份承诺。 # 复制与HA切换：单主、事务连续与冗余恢复 工作单元：W-C28；版本：2026-10-21.workunits.2；复核：2026-10-20 交付可验证的复制/故障切换机制及切换后业务连续状态，确保单主、事务边界、连接端点和备机冗余重新成立。 ## 当前用法 可委派复制/切换配置和受控演练；按单主、事务/客户端与冗余重建阶段接收，高影响切换有明确权限。 依据：PostgreSQL18要求旧主隔离和新备机重建，原生DB不提供完整故障检测。DBA-Bench持续场景实际出现主事务恢复而副本未恢复，说明不能只验主库。 来源状态：active 本站记录：本次核查公开资料与任务契约，未在本站运行目标任务或新增模型试次。 条件： - 提供隔离HA环境、检测/通知/fencing工具、网络分区/主故障/旧主回归控制和授权操作；不假定原生DB包揽自动检测。 - 记录切换前已确认事务/复制位点，准备客户端重连/重试、双主写拒绝、备机重建及第二故障验收。 ## 请求与范围 固定DB版本、主/备/见证/客户端端点、同步语义、复制延迟与允许丢事务、RPO/RTO及读写一致性。 工作对象是复制拓扑及故障后的持续服务，不是schema/数据迁移。提升备机不等于完整恢复；旧主隔离和重建冗余都在接收范围。 ## 输入 - 拓扑与事务契约：固定DB版本、主/备/见证/客户端端点、同步语义、复制延迟与允许丢事务、RPO/RTO及读写一致性。 - 故障与权限：提供隔离HA环境、检测/通知/fencing工具、网络分区/主故障/旧主回归控制和授权操作；不假定原生DB包揽自动检测。 - 业务和重建探针：记录切换前已确认事务/复制位点，准备客户端重连/重试、双主写拒绝、备机重建及第二故障验收。 ## 交付物 - 复制/检测/隔离/切换与连接端点配置、运行说明 - 故障/分区/旧主重入下单主和事务/客户端连续性证据、实际恢复时间 - 备机重新建立、复制追赶/读服务与第二次切换验证；未满足冗余说明 ## 验收 1. 单主与事务边界成立 方法：故障/分区后确认唯一可写主，旧主恢复仍被隔离；按已确认事务与复制延迟核对丢失/重复。 拒收：新主可写但旧主也重回写入，形成分裂脑。 2. 业务连接真实恢复 方法：从正常客户端端点重连/重试读写，测实际中断与RPO/RTO，核对会话/事务语义。 拒收：手动连新主成功，却客户端仍指旧端点。 3. 冗余重新成立 方法：重建/追赶备机并验证读/复制服务，重新施加一个故障，核对单主和事务状态。 拒收：只恢复主库业务，副本未恢复却宣告完整HA。 ## 具体例子 输入：主库故障后需切备，旧主随后重启，客户端必须继续且不双主。 预期产物：事务/连接/单主证据、实际时间、重建副本和第二次故障结果。 失败：新主可交易，旧主也写入且没有可用副本。 ## 工作重组 以前：运维分别配置复制、故障检测、切换和客户端，常在主恢复后忽略冗余。 现在：Agent可联合诊断拓扑/位点、配置授权机制并驱动故障测试；独立事务/单主/端点探针决定接收。 保留： - 确定复制丢失/可用性取舍、fencing与切换授权，确认业务和冗余均已恢复。 新增： - 重建/追赶备机并验证读/复制服务，重新施加一个故障，核对单主和事务状态。 ## 人的责任与失败接管 确定复制丢失/可用性取舍、fencing与切换授权，确认业务和冗余均已恢复。 不能证明唯一主或链状态时停止扩大写入，保留证据并升级；不可用盲提升/双写试探。 ## 尚待补足 - 在隔离主备拓扑冻结事务/端点，测试主故障、网络分区、旧主回归与备机重建，再执行第二次切换。 ## 职业与团队下一步 数据库高可用与复制 复制/检测/隔离/切换与连接端点配置、运行说明 在隔离主备拓扑冻结事务/端点，测试主故障、网络分区、旧主回归与备机重建，再执行第二次切换。 /explore?purpose=career&domain=computing PostgreSQL18要求旧主隔离和新备机重建，原生DB不提供完整故障检测。DBA-Bench持续场景实际出现主事务恢复而副本未恢复，说明不能只验主库。 Agent可联合诊断拓扑/位点、配置授权机制并驱动故障测试；独立事务/单主/端点探针决定接收。 在隔离主备拓扑冻结事务/端点，测试主故障、网络分区、旧主回归与备机重建，再执行第二次切换。 /explore?purpose=team&domain=computing ## 证据与关系 - PostgreSQL18 Failover：https://www.postgresql.org/docs/18/warm-standby-failover.html 定位：26.3：旧主隔离、检测边界、备机重建；公开 PostgreSQL18文档，单页未标日期；核查 2026-10-20；复查 2027-01-20 支持：定义单主与冗余的实际接收条件。 未覆盖：方法不是AI切换成绩。 - DBA-Bench v2：https://arxiv.org/abs/2607.22165v2 定位：Abstract；live PostgreSQL/TiDB与persistent scenarios；公开 2026-07-24；v2修订2026-10-10；核查 2026-10-20；复查 2027-01-20 支持：有直接副本未恢复的失败边界。 未覆盖：受控场景不估生产频率，也不覆盖本拓扑。 ## 任务级判断与证据 采用方式：分阶段接收 从证据到建议：PostgreSQL18要求旧主隔离和新备机重建，原生DB不提供完整故障检测。DBA-Bench持续场景实际出现主事务恢复而副本未恢复，说明不能只验主库。 当前可用性：mixed；原生复制/提升/重建接口公开，完整故障检测与fencing工具需按目标部署；本站未演练。 - PostgreSQL18 HA机制：https://www.postgresql.org/docs/18/warm-standby-failover.html 文档18；实际DB/检测/fencing/端点工具版本固定；隔离主备/网络控制与业务客户端；完整检测工具另备 ### PostgreSQL18说明故障切换须避免旧主重入形成双主，切换后需重建备机恢复冗余；检测/通知软件另配。 依据身份：工具与方法依据；状态：active - PostgreSQL18 Failover：https://www.postgresql.org/docs/18/warm-standby-failover.html 定位：26.3；关系：method 支持：定义单主与冗余的实际接收条件。 限制：方法不是AI切换成绩。 核查：2026-10-20；来源状态：active 适用限制：方法不是AI切换成绩。 ### DBA-Bench持续PostgreSQL复制场景出现主库事务达标但副本服务未恢复，局部恢复不满足完整结果。 依据身份：外部报告结果；状态：active - DBA-Bench v2：https://arxiv.org/abs/2607.22165v2 定位：6.6.1 Partial business outcomes；关系：partial 支持：有直接副本未恢复的失败边界。 限制：受控场景不估生产频率，也不覆盖本拓扑。 核查：2026-10-20；来源状态：active 配置：v2持续评估：GPT5.5/Opus4.8/GLM5.1等，PostgreSQL/TiDB各5场景，每模型每场景1次；本主张仅该复制反例。 适用限制：受控场景不估生产频率，也不覆盖本拓扑。 相关进展（本条判断）： - DBA-Bench以活跃负载区分诊断、恢复和约束：/explore?purpose=understand&domain=computing&window=all#P-C-DBA-STATE 首次公开 2026-07-24；资料修订 2026-10-10：文档版本/结果表述修订；没有据此推定新的模型能力跃迁。 ### 可委派HA配置/故障演练，以单主、客户端事务和冗余恢复联合接收，不能只按提升命令成功。 依据身份：有条件的编辑推断；状态：active - PostgreSQL18 Failover：https://www.postgresql.org/docs/18/warm-standby-failover.html 定位：26.3 failover and standby recreation；关系：partial 支持：原生可检查机制支持演练。 限制：需目标工具、拓扑和业务负载核验。 核查：2026-10-20；来源状态：active 适用限制：需目标工具、拓扑和业务负载核验。 ## 情境变化 ### 复制延迟与丢失边界 输入变化：同步/异步与不同延迟条件。 判断变化：按事先约定事务损失和等待/可用性接收。 验收变化：确认事务/位点、丢失/重复、追赶与中断时间。 ### 分区与旧主回归 输入变化：主未真停机或随后恢复。 判断变化：必须先证明单主与fencing，不能用提升掩盖双主。 验收变化：双方写入负例、客户端路由、重建副本及第二故障。 研究前沿：原生机制与状态型实验共同给出完整结果边界；DBA-Bench只是有限持续场景，不是此HA工具/拓扑的生产切换可靠率。 下一项验证：在隔离主备拓扑冻结事务/端点，测试主故障、网络分区、旧主回归与备机重建，再执行第二次切换。 未来改判信号： - 不同故障/延迟条件下单主、事务、客户端和冗余都持续可复验，可扩大受限自动切换。 - 旧主重入可写、客户端未恢复或备机长期退化时停止完整HA声明。 # 授权风险发现：威胁路径与可证实漏洞 工作单元：W-C09；版本：2026-10-21.workunits.2；复核：2026-10-20 在授权资产范围交付可追溯风险/漏洞发现及触发、影响和证据；缺证据的假设与未覆盖范围分开。 ## 当前用法 可委派风险路径搜索、受控验证和误报排除；按可证实发现接收，未发现不等于全安全。 依据：Cybench有受控攻击任务的直接实测，适合说明有限场景的执行能力；真实资产/威胁模型仍需环境与影响适配，不能从钓鱼产品推导通用核查。 来源状态：active 本站记录：本次核查公开资料与任务契约，未在本站运行目标任务或新增模型试次。 条件： - 提供隔离副本、版本/依赖、日志/配置、可重放输入及正常行为，不在授权外目标验证。 - 定义需证实的输入→路径→影响与严重性条件，允许输出待证/误报排除；避免把理论可能写成已入侵。 ## 请求与范围 冻结资产/接口/代码、身份、访问范围与禁止动作，给关键数据/业务目标和关注威胁。 结果是发现/风险判断，不包含修复、告警队列结案或事件遏制。威胁分析可交可反驳路径，已验证漏洞须给真实触发依据。 ## 输入 - 资产与授权：冻结资产/接口/代码、身份、访问范围与禁止动作，给关键数据/业务目标和关注威胁。 - 验证环境：提供隔离副本、版本/依赖、日志/配置、可重放输入及正常行为，不在授权外目标验证。 - 发现接收：定义需证实的输入→路径→影响与严重性条件，允许输出待证/误报排除；避免把理论可能写成已入侵。 ## 交付物 - 带位置/资产、触发前提和影响的发现/威胁路径 - 可重放或严格静态推导的证据、反例与误报排除 - 风险优先级、未查/不可验证范围及修复验证所需接口 ## 验收 1. 发现沿真实路径成立 方法：沿输入/身份到影响核对，静态发现给完整依赖前提；隔离重放与正常负例区分。 拒收：仅泛化风险标签或把普通登录失败说成入侵。 2. 范围与影响相称 方法：核对版本、身份和数据/权限后果，保留反证与不适用条件。 拒收：靶场可利用就称生产一定可利用。 3. 结果可接续 方法：另一接收者能重放/检查，发现与偏好/待证分开，修复或处置另接任务。 拒收：报告只有告警摘要，没有触发和证据。 ## 具体例子 输入：租户读取接口疑似越权，需确定真实数据访问路径。 预期产物：两身份/数据对照、触发到影响证据、修复接收条件。 失败：仅根据函数名报越权，未核对实际鉴权链。 ## 工作重组 以前：分析师分开查资产、读代码、提出假设和手动复现。 现在：Agent可动态追上下文、构造隔离输入并据反证修正，独立接收者核对影响与边界。 保留： - 确定资产授权、业务影响与风险接受，批准有影响验证；不自动合并到整改/处置完成。 新增： - 另一接收者能重放/检查，发现与偏好/待证分开，修复或处置另接任务。 ## 人的责任与失败接管 确定资产授权、业务影响与风险接受，批准有影响验证；不自动合并到整改/处置完成。 缺环境或证据时交待证假设与具体所需材料；不越权或破坏证据求证。 ## 尚待补足 - 在授权隔离资产中混入已知缺陷与正常替代，让Agent交可重放发现和排除，独立检查范围/误报/影响。 ## 职业与团队下一步 安全风险与漏洞核查 带位置/资产、触发前提和影响的发现/威胁路径 在授权隔离资产中混入已知缺陷与正常替代，让Agent交可重放发现和排除，独立检查范围/误报/影响。 /explore?purpose=career&domain=computing Cybench有受控攻击任务的直接实测，适合说明有限场景的执行能力；真实资产/威胁模型仍需环境与影响适配，不能从钓鱼产品推导通用核查。 Agent可动态追上下文、构造隔离输入并据反证修正，独立接收者核对影响与边界。 在授权隔离资产中混入已知缺陷与正常替代，让Agent交可重放发现和排除，独立检查范围/误报/影响。 /explore?purpose=team&domain=computing ## 证据与关系 - Cybench v4：https://arxiv.org/abs/2408.08926v4 定位：Abstract；任务环境与agent scaffolds；公开 2024-08-15；v4修订2025-04-12；核查 2026-10-20；复查 2027-01-20 支持：有直接安全任务实验。 未覆盖：任务族、历史模型与靶场条件限定；不声称实际系统已被检查。 - NIST SP800-61r3：https://csrc.nist.gov/pubs/sp/800/61/r3/final 定位：Table2 ID.RA-01/03/04/05；Table3 检测、分析、处置与恢复；公开 2025-04；核查 2026-10-20；复查 2027-01-20 支持：提供威胁建模、攻击面/路径与影响分析的接收方法。 未覆盖：风险管理建议，不是模型完成威胁建模的成绩。 ## 任务级判断与证据 采用方式：分阶段接收 从证据到建议：Cybench有受控攻击任务的直接实测，适合说明有限场景的执行能力；真实资产/威胁模型仍需环境与影响适配，不能从钓鱼产品推导通用核查。 当前可用性：mixed；公开靶场可检查；目标资产/代码与验证权限另备，不包含钓鱼或生产响应服务。 - Cybench：https://cybench.github.io/ 论文v4与具体challenge镜像/版本固定；公开靶场；仅隔离授权目标与自备模型 ### Cybench在命令可执行的隔离CTF中观察到Agent解决部分完整任务；这是受控攻击任务证据，不能直接评价企业防守。 依据身份：外部报告结果；状态：active - Cybench v4：https://arxiv.org/abs/2408.08926v4 定位：Abstract；agent scaffolds与unguided tasks；关系：partial 支持：有直接安全任务实验。 限制：任务族、历史模型与靶场条件限定；不声称实际系统已被检查。 核查：2026-10-20；来源状态：active 配置：v4：40个CTF、4竞赛、8模型与多脚手架；有/无子任务提示分开，本文不转用分数。 适用限制：任务族、历史模型与靶场条件限定；不声称实际系统已被检查。 ### 可以委派授权发现/验证任务，但以实际路径、前提、影响和反证接收，不将CTF结果外推完整企业安全。 依据身份：有条件的编辑推断；状态：active - Cybench v4：https://arxiv.org/abs/2408.08926v4 定位：任务环境与unguided task边界；关系：partial 支持：受控执行提供邻近验证依据。 限制：真实威胁/漏洞仍需目标输入和独立影响核验。 核查：2026-10-20；来源状态：active 适用限制：真实威胁/漏洞仍需目标输入和独立影响核验。 ### NIST将资产漏洞、内外威胁、潜在影响与攻击向量/攻击面/横向路径纳入风险识别；这些方法可用于检查威胁路径交付是否具有明确前提和影响。 依据身份：工具与方法依据；状态：active - NIST SP800-61r3：https://csrc.nist.gov/pubs/sp/800/61/r3/final 定位：Table2：ID.RA-01、ID.RA-03、ID.RA-04、ID.RA-05；关系：method 支持：提供威胁建模、攻击面/路径与影响分析的接收方法。 限制：风险管理建议，不是模型完成威胁建模的成绩。 核查：2026-10-20；来源状态：active 适用限制：资产/信任边界与威胁输入需实际核实；文档方法不证明AI遗漏率。 ## 情境变化 ### 威胁与攻击路径 输入变化：结果为资产/信任边界/攻击前提与风险路径，不一定可执行利用。 判断变化：可交可反驳路径，未验证部分明确列出。 验收变化：核对资产/身份/边界、成立前提、反证与影响优先级。 ### 授权漏洞验证 输入变化：候选缺陷可在隔离目标重放。 判断变化：以触发/真实影响接收，修复另交W-C29或W-C01。 验收变化：版本/身份/输入、正反例、证据位置与误报排除。 研究前沿：受控CTF和可执行环境已有研究；本资产的隐含依赖、真实攻击分布与未知漏洞查全率没有直接成绩。 下一项验证：在授权隔离资产中混入已知缺陷与正常替代，让Agent交可重放发现和排除，独立检查范围/误报/影响。 未来改判信号： - 新资产/输入下有效发现可复验且误报确认时间可控，可扩大相近核查。 - 越范围验证、把待证当已利用或严重漏报时收窄采用。 # 安全控制变更：风险降低且合法业务仍成立 工作单元：W-C29；版本：2026-10-21.workunits.2；复核：2026-10-20 交付一个限定风险的代码/配置/访问/检测控制变更，并用原风险、绕过和正常行为证明有效及可回退。 ## 当前用法 可委派限定控制实现、获准部署与验证，按风险降低/合法行为和回退接收；不能由安全产品接入文档证明效果。 依据：NIST53A把检查对象与测试结合，kubectl提供可执行授权查询；AI整合控制变更属于方法基础上的迁移，不是独立性能成绩。 来源状态：active 本站记录：本次核查公开资料与任务契约，未在本站运行目标任务或新增模型试次。 条件： - 固定代码/配置/身份/规则、目标系统权限与旧状态、可逆测试环境，明确授权动作。 - 准备原风险/合法行为/绕过和规则漂移控制，定义风险/业务/资源接收及回退。 ## 请求与范围 给已证实风险/明确策略、资产/角色、期望允许/拒绝行为和不可牺牲的业务。 产物是生效的控制变更，不是发现列表或告警结论；治理可组合这些实际控制及整改跟踪。风险接受与合规认定另有组织依据。 ## 输入 - 控制目标：给已证实风险/明确策略、资产/角色、期望允许/拒绝行为和不可牺牲的业务。 - 变更环境：固定代码/配置/身份/规则、目标系统权限与旧状态、可逆测试环境，明确授权动作。 - 独立测试：准备原风险/合法行为/绕过和规则漂移控制，定义风险/业务/资源接收及回退。 ## 交付物 - 可审查并可部署的控制补丁/配置与实际差异 - 原风险被拒绝、正常业务被允许及绕过/副作用结果 - 版本/审计、回退与后续漂移复核和未覆盖风险 ## 验收 1. 控制达到具体目标 方法：独立重放原路径/策略，直接查询真实权限或业务状态。 拒收：仅配置文件存在，没有生效检查。 2. 正常与绕过都检查 方法：同角色/对象的正反矩阵、替代路径、错误配置和资源副作用控制。 拒收：全拒绝让风险消失，合法业务也坏了。 3. 变更可维护 方法：核对版本/审计与回退后状态；用漂移反例验证持续复核入口。 拒收：临时手工改动不在版本中，重建后控制丢失。 ## 具体例子 输入：服务账号权限过宽，目标仅能读指定namespace。 预期产物：最小权限补丁、生效授权矩阵、正常请求/越权拒绝与回退。 失败：删掉全部权限导致业务中断，但报告说风险已消除。 ## 工作重组 以前：安全指出风险、工程改配置、运维核实生效，结果常分散。 现在：Agent可联合实现、部署到授权环境并重测，程序检查正反矩阵，责任人核验风险与业务取舍。 保留： - 确定策略和授权、业务容忍与风险接受，合规结论依据真实组织要求。 新增： - 核对版本/审计与回退后状态；用漂移反例验证持续复核入口。 ## 人的责任与失败接管 确定策略和授权、业务容忍与风险接受，合规结论依据真实组织要求。 验证失败回退或交明确未生效原因；不以关闭告警或禁用全部功能充作整改。 ## 尚待补足 - 选一项访问/配置风险，冻结允许/拒绝矩阵，让Agent交变更，再独立测试原风险、合法路径、绕过及回退。 ## 职业与团队下一步 安全控制工程 可审查并可部署的控制补丁/配置与实际差异 选一项访问/配置风险，冻结允许/拒绝矩阵，让Agent交变更，再独立测试原风险、合法路径、绕过及回退。 /explore?purpose=career&domain=computing NIST53A把检查对象与测试结合，kubectl提供可执行授权查询；AI整合控制变更属于方法基础上的迁移，不是独立性能成绩。 Agent可联合实现、部署到授权环境并重测，程序检查正反矩阵，责任人核验风险与业务取舍。 选一项访问/配置风险，冻结允许/拒绝矩阵，让Agent交变更，再独立测试原风险、合法路径、绕过及回退。 /explore?purpose=team&domain=computing ## 证据与关系 - NIST SP800-53A r5：https://csrc.nist.gov/pubs/sp/800/53/a/r5/final 定位：assessment methods/procedures；公开 2022-01；核查 2026-10-20；复查 2027-01-20 支持：控制验收方法基础。 未覆盖：专业方法不是模型成绩。 - kubectl auth can-i：https://kubernetes.io/docs/reference/kubectl/generated/kubectl_auth/kubectl_auth_can-i/ 定位：命令说明与权限检查例；公开 持续更新文档，单页日期以访问版为准；核查 2026-10-20；复查 2027-01-20 支持：实际权限查询接口。 未覆盖：单一权限查询不排除所有业务/网络绕过。 ## 任务级判断与证据 采用方式：分阶段接收 从证据到建议：NIST53A把检查对象与测试结合，kubectl提供可执行授权查询；AI整合控制变更属于方法基础上的迁移，不是独立性能成绩。 当前可用性：mixed；有公开权限检查工具；代码、网络与其他控制需目标配置/独立测试接口，没有本站部署。 - kubectl auth can-i：https://kubernetes.io/docs/reference/kubectl/generated/kubectl_auth/kubectl_auth_can-i/ 实际K8s/kubectl/角色版本冻结；公开工具；需目标集群授权，不能据此声称有权修改 ### NIST53A以检查、访谈与测试及明确评估对象核实控制；实际允许/拒绝行为应独立验证。 依据身份：工具与方法依据；状态：active - NIST SP800-53A r5：https://csrc.nist.gov/pubs/sp/800/53/a/r5/final 定位：assessment methods and objects；关系：method 支持：控制验收方法基础。 限制：专业方法不是模型成绩。 核查：2026-10-20；来源状态：active 适用限制：专业方法不是模型成绩。 ### kubectl auth can-i公开提供授权检查，可为K8s角色/资源矩阵提供一项生效证据。 依据身份：工具与方法依据；状态：active - kubectl auth can-i：https://kubernetes.io/docs/reference/kubectl/generated/kubectl_auth/kubectl_auth_can-i/ 定位：command synopsis/examples；关系：method 支持：实际权限查询接口。 限制：单一权限查询不排除所有业务/网络绕过。 核查：2026-10-20；来源状态：active 适用限制：单一权限查询不排除所有业务/网络绕过。 ### 可委派限定控制变更，以独立风险/正常/绕过/回退结果接收，其他控制类型须配置对应测试。 依据身份：有条件的编辑推断；状态：active - NIST SP800-53A r5：https://csrc.nist.gov/pubs/sp/800/53/a/r5/final 定位：assessment planning/testing；关系：partial 支持：可检查对象/测试支持目标适配。 限制：无本组织AI控制有效率。 核查：2026-10-20；来源状态：active 适用限制：无本组织AI控制有效率。 ## 情境变化 ### 访问与配置 输入变化：结果是角色/网络/系统配置生效。 判断变化：按具体允许/拒绝矩阵和业务回归接收。 验收变化：实际身份/对象/旁路、漂移和回退。 ### 代码与检测控制 输入变化：结果是漏洞修复或规则生效。 判断变化：组合W-C01/C12的复现与验收方法，不继承其他工具成绩。 验收变化：原风险、合法输入、误报漏报/绕过及规则版本。 研究前沿：有公开控制评估方法和权限检查接口；目标控制、绕过及持续漂移没有本站AI试验。 下一项验证：选一项访问/配置风险，冻结允许/拒绝矩阵，让Agent交变更，再独立测试原风险、合法路径、绕过及回退。 未来改判信号： - 新角色/对象变化下风险控制和合法业务仍可复验，可扩大同类变更。 - 依靠全拒绝、扩大其他权限或绕过未测时拒绝接收。 # 告警调查结论：证据、判定与可继续的升级包 工作单元：W-C30；版本：2026-10-21.workunits.2；复核：2026-10-20 针对给定告警/队列交付可追溯的真假/待证判定、影响/优先级和升级依据，不默认改变资产状态。 ## 当前用法 可委派证据聚合、排序和调查结论，先以本地真假/待证控制校准；高影响处置从调查结果另开实际授权交付。 依据：钓鱼RCT提供特定队列直接研究，NIST61r3给检测/分析与响应边界；其他告警不借钓鱼实验冒充同配置成绩。 来源状态：active 本站记录：本次核查公开资料与任务契约，未在本站运行目标任务或新增模型试次。 条件： - 冻结日志/消息/上下文及获取权限，保存原始证据与真/假/待证参照，恶意内容只在隔离环境处理。 - 给处置代价/漏报成本、证据不足标准、升级对象与所需诊断字段；区分判定和执行。 ## 请求与范围 给邮件/身份/端点等告警、资产/用户、时间窗与需回答的真实风险/优先级。 结果为调查结论与队列排序；检测规则变更另W-C29，安全事件遏制另W-C31。钓鱼RCT仅支持其问卷队列条件，其他告警为明确方法迁移。 ## 输入 - 告警与问题：给邮件/身份/端点等告警、资产/用户、时间窗与需回答的真实风险/优先级。 - 证据与基线：冻结日志/消息/上下文及获取权限，保存原始证据与真/假/待证参照，恶意内容只在隔离环境处理。 - 判定与升级：给处置代价/漏报成本、证据不足标准、升级对象与所需诊断字段；区分判定和执行。 ## 交付物 - 逐告警证据定位、真假/待证及影响前提 - 优先级/关联时间线、反证与误报排除 - 仍需信息、升级包和后续控制/处置的明确接口 ## 验收 1. 判定由证据支持 方法：原始消息/身份/时间线与资产交叉核对，正常负例和替代解释挑战结论。 拒收：仅品牌词/风险标签就认恶意。 2. 未知和错误可见 方法：用本地真/假与有意错误解释检查自动同意，保留缺日志/矛盾与查不到部分。 拒收：Agent判良性就无条件关单。 3. 输出可接续且不冒充处置 方法：独立接收者能重查证据和升级，结论/规则/执行状态分开记录。 拒收：给出恶意判定便写资产已经隔离/清除。 ## 具体例子 输入：可疑邮件和异常登录同时出现，但也有正常内部转发。 预期产物：逐条真假/待证、消息/身份证据、时间线和升级条件。 失败：把排序靠前等同已入侵，并声称自动清除。 ## 工作重组 以前：分析师逐条查告警并在多处整理证据和升级。 现在：Agent自主关联证据、排序和构造反证，程序重放已知控制；调查结论独立于外部处置。 保留： - 定义调查授权、风险/漏报代价和升级优先级，决定真实事件处置范围。 新增： - 独立接收者能重查证据和升级，结论/规则/执行状态分开记录。 ## 人的责任与失败接管 定义调查授权、风险/漏报代价和升级优先级，决定真实事件处置范围。 缺证据输出待证及具体请求，不用恶意内容授予工具权限，不越过调查范围执行隔离。 ## 尚待补足 - 用本地脱敏真假/待证告警盲测，核对逐条证据、漏报/误报与确认时间，再决定优先级和复核范围。 ## 职业与团队下一步 安全告警调查 逐告警证据定位、真假/待证及影响前提 用本地脱敏真假/待证告警盲测，核对逐条证据、漏报/误报与确认时间，再决定优先级和复核范围。 /explore?purpose=career&domain=computing 钓鱼RCT提供特定队列直接研究，NIST61r3给检测/分析与响应边界；其他告警不借钓鱼实验冒充同配置成绩。 Agent自主关联证据、排序和构造反证，程序重放已知控制；调查结论独立于外部处置。 用本地脱敏真假/待证告警盲测，核对逐条证据、漏报/误报与确认时间，再决定优先级和复核范围。 /explore?purpose=team&domain=computing ## 证据与关系 - Phishing Triage Agent 随机对照试验：https://arxiv.org/abs/2511.13860v1 定位：Abstract；RCT treatment and outcomes；公开 2025-11-17；核查 2026-10-20；复查 2027-01-20 支持：直接邮件研判研究，保留实际载体与干预身份。 未覆盖：原语料零FP/FN后注入合成判定错误，跳过良性协议为反事实；不能推断真实误报分布或无人遏制。 - NIST SP800-61r3：https://csrc.nist.gov/pubs/sp/800/61/r3/final 定位：Table2 ID.RA-01/03/04/05；Table3 检测、分析、处置与恢复；公开 2025-04；核查 2026-10-20；复查 2027-01-20 支持：专业方法支持调查结果分界。 未覆盖：非邮件任务没有由RCT直接证明的AI表现。 ## 任务级判断与证据 采用方式：分阶段接收 从证据到建议：钓鱼RCT提供特定队列直接研究，NIST61r3给检测/分析与响应边界；其他告警不借钓鱼实验冒充同配置成绩。 当前可用性：mixed；商业钓鱼工具受许可/角色/容量约束；本包没有进入租户。其他告警需目标日志/调查接口。 - Phishing Triage Agent：https://learn.microsoft.com/en-us/defender-xdr/phishing-triage-agent 2026-10-20核查文档；租户实际部署版本需记录；需相应Microsoft安全产品权限/许可与SCU容量 ### 钓鱼RCT在标准化材料/问卷中的邮件队列比较排序和解释对专业分析师的影响，并另作resolve-benign反事实；不是持续生产邮箱无人处置。 依据身份：外部报告结果；状态：active - Phishing Triage Agent 随机对照试验：https://arxiv.org/abs/2511.13860v1 定位：v1 §1—§3 methodology/behavior/counterfactuals；关系：partial 支持：直接邮件研判研究，保留实际载体与干预身份。 限制：原语料零FP/FN后注入合成判定错误，跳过良性协议为反事实；不能推断真实误报分布或无人遏制。 核查：2026-10-20；来源状态：active 配置：v1 §2：招募167名专业分析师，13低分回答被剔除；93封原语料中抽25邮件队列，在Qualtrics以标准化只读材料判定。Control52随机无AI、Aware56优先队列+判定/解释、Blind59同排序但不告知AI；原语料Agent零FP/FN，另造判定/解释错误，每队列1SFP+1SFN。resolve-benign为由任务结果组合的反事实分析。 适用限制：原语料零FP/FN后注入合成判定错误，跳过良性协议为反事实；不能推断真实误报分布或无人遏制。 相关进展（本条判断）： - 钓鱼队列随机试验报告人加Agent研判改善：/explore?purpose=understand&domain=computing&window=all#P-C-PHISH-RCT 首次公开 2025-11-17 ### 可用NIST61r3的检测/分析与证据要求组织其他告警调查，以独立证据和待证/升级条件接收。 依据身份：有条件的编辑推断；状态：active - NIST SP800-61r3：https://csrc.nist.gov/pubs/sp/800/61/r3/final 定位：Table3 detection/analysis；关系：partial 支持：专业方法支持调查结果分界。 限制：非邮件任务没有由RCT直接证明的AI表现。 核查：2026-10-20；来源状态：active 适用限制：非邮件任务没有由RCT直接证明的AI表现。 ## 情境变化 ### 钓鱼队列 输入变化：邮件/URL/附件材料与本地真假基率。 判断变化：按本地错误控制校准，不照搬问卷反事实收益。 验收变化：真实/合成错误解释、恶意/良性/待证、排序和确认成本。 ### 身份端点及关联告警 输入变化：结果是跨来源调查结论，非邮件分类。 判断变化：NIST方法迁移，先给可证伪证据链；不继承钓鱼成绩。 验收变化：时间/身份/资产对应、替代解释、缺日志与升级包。 研究前沿：邮件材料/问卷的排序与解释效应已有试验；原语料无自然FP/FN、合成错误和反事实协议限制迁移，不能证明实际邮箱长期无人研判。 下一项验证：用本地脱敏真假/待证告警盲测，核对逐条证据、漏报/误报与确认时间，再决定优先级和复核范围。 未来改判信号： - 新队列基率/对抗条件下证据与误报漏报仍可控，可扩大辅助研判。 - 合成控制或真实错误被盲目附和、证据不足仍关单时收窄范围。 # 安全事件处置：证据保全、遏制与业务恢复 工作单元：W-C31；版本：2026-10-21.workunits.2；复核：2026-10-20 在明确授权事件范围内交付证据保全、有效遏制/清除和合法业务恢复的真实状态，保留攻击持续性与未解决风险。 ## 当前用法 可委派证据整合与获准可逆处置，按保全、攻击遏制和合法业务恢复阶段接收；不可逆动作与通知有明确权限。 依据：NIST61r3明确检测、响应、恢复及事件证据要求，Defender公开实际处置/调查包接口；这是工具/专业方法上的AI迁移，不是自主处置成功率。 来源状态：active 本站记录：本次核查公开资料与任务契约，未在本站运行目标任务或新增模型试次。 条件： - 冻结原始日志/镜像/时间线及保全要求，提供获准端点/身份/网络处置与恢复工具，动作留审计。 - 准备攻击持续性/正常业务/侧向影响探针、恢复基线、回滚/升级和实际沟通/通知权限。 ## 请求与范围 给已确认/疑似事件、资产/身份、攻击线索、业务重要性、处置范围与不能毁损证据/业务的约束。 结果为事件处置状态，不是告警判定或一般服务恢复；遏制、证据和业务恢复可阶段接收，但完整完成必须联合满足。 ## 输入 - 事件与目标：给已确认/疑似事件、资产/身份、攻击线索、业务重要性、处置范围与不能毁损证据/业务的约束。 - 证据和授权工具：冻结原始日志/镜像/时间线及保全要求，提供获准端点/身份/网络处置与恢复工具，动作留审计。 - 独立终态：准备攻击持续性/正常业务/侧向影响探针、恢复基线、回滚/升级和实际沟通/通知权限。 ## 交付物 - 证据清单/保全与事件时间线、实际处置动作审计 - 遏制/清除有效、攻击持续性和侧向影响检查 - 合法业务/身份/数据恢复、残余风险与后续观察/升级记录 ## 验收 1. 证据未被处置破坏 方法：按组织要求保存原始证据、时间/完整性/访问和动作记录，区分可逆隔离与不可逆清除。 拒收：删消息/日志清理痕迹后宣告解决。 2. 攻击与影响受控 方法：在授权环境检查原攻击路径/持续性、侧向行为与隔离边界，不以告警消失作证。 拒收：停全部服务但攻击凭据仍有效。 3. 合法业务真的恢复 方法：从合法用户/数据状态验证恢复，审计旧凭据/端点与后续观察；残余风险/未恢复明示。 拒收：只让服务启动，用户/数据未恢复或再入侵未检查。 ## 具体例子 输入：疑似盗用账号访问端点，需保留证据并恢复受影响用户工作。 预期产物：证据/时间线、受限凭据/端点处置、持续性负例和合法用户恢复。 失败：清日志并禁用所有账号，既没证明清除也没恢复业务。 ## 工作重组 以前：调查、隔离和恢复分散交接，告警关闭可能掩盖攻击或业务未恢复。 现在：Agent可联合证据/状态、执行明确授权动作并持续验证，程序读真实终态；未知或超权限及时升级。 保留： - 确定事件范围、保全/法律/沟通要求、隔离代价与残余风险接受，授权不可逆动作。 新增： - 从合法用户/数据状态验证恢复，审计旧凭据/端点与后续观察；残余风险/未恢复明示。 ## 人的责任与失败接管 确定事件范围、保全/法律/沟通要求、隔离代价与残余风险接受，授权不可逆动作。 证据/权限不足先保留状态与升级包；不能破坏性试探或把调查结论写成已处置。 ## 尚待补足 - 在授权演练环境放入已知事件和正常业务，先保全证据再执行获准隔离/恢复，独立验证持续性、数据/用户与审计。 ## 职业与团队下一步 安全事件响应 证据清单/保全与事件时间线、实际处置动作审计 在授权演练环境放入已知事件和正常业务，先保全证据再执行获准隔离/恢复，独立验证持续性、数据/用户与审计。 /explore?purpose=career&domain=computing NIST61r3明确检测、响应、恢复及事件证据要求，Defender公开实际处置/调查包接口；这是工具/专业方法上的AI迁移，不是自主处置成功率。 Agent可联合证据/状态、执行明确授权动作并持续验证，程序读真实终态；未知或超权限及时升级。 在授权演练环境放入已知事件和正常业务，先保全证据再执行获准隔离/恢复，独立验证持续性、数据/用户与审计。 /explore?purpose=team&domain=computing ## 证据与关系 - NIST SP800-61r3：https://csrc.nist.gov/pubs/sp/800/61/r3/final 定位：Table2 ID.RA-01/03/04/05；Table3 检测、分析、处置与恢复；公开 2025-04；核查 2026-10-20；复查 2027-01-20 支持：支持联合处置结果和证据边界。 未覆盖：专业建议不是AI实验，也不代替具体组织授权。 - Defender for Endpoint设备响应操作：https://learn.microsoft.com/en-us/defender-endpoint/respond-machine-alerts 定位：response actions、isolation、investigation package与权限；公开 持续更新文档，单页日期以访问版为准；核查 2026-10-20；复查 2027-01-20 支持：有实际产品动作入口。 未覆盖：需目标产品/角色/许可；工具存在不证明事件已处置。 ## 任务级判断与证据 采用方式：分阶段接收 从证据到建议：NIST61r3明确检测、响应、恢复及事件证据要求，Defender公开实际处置/调查包接口；这是工具/专业方法上的AI迁移，不是自主处置成功率。 当前可用性：mixed；有条件商业响应工具；其他EDR/SIEM/身份平台需实际接口，本文没有自动执行或复现。 - Defender for Endpoint响应接口：https://learn.microsoft.com/en-us/defender-endpoint/respond-machine-alerts 2026-10-20核查；目标设备/产品/角色版本另固定；商业产品、设备加入及响应权限/许可；未在本站启用 ### NIST61r3将检测、响应/遏制/根除与恢复联系，并要求按组织政策保全事件证据；终态不能只有告警关闭。 依据身份：工具与方法依据；状态：active - NIST SP800-61r3：https://csrc.nist.gov/pubs/sp/800/61/r3/final 定位：Table3；证据保留与响应/恢复；关系：method 支持：支持联合处置结果和证据边界。 限制：专业建议不是AI实验，也不代替具体组织授权。 核查：2026-10-20；来源状态：active 适用限制：专业建议不是AI实验，也不代替具体组织授权。 ### Defender for Endpoint公开设备隔离、调查包等响应接口与条件，可承接获准动作和证据。 依据身份：工具与方法依据；状态：active - Defender for Endpoint设备响应操作：https://learn.microsoft.com/en-us/defender-endpoint/respond-machine-alerts 定位：device response actions/investigation package；关系：method 支持：有实际产品动作入口。 限制：需目标产品/角色/许可；工具存在不证明事件已处置。 核查：2026-10-20；来源状态：active 适用限制：需目标产品/角色/许可；工具存在不证明事件已处置。 ### 可以委派受限事件处置循环，但以证据、攻击持续性及合法业务恢复联合接收，不能继承CTF/钓鱼研判成绩。 依据身份：有条件的编辑推断；状态：active - NIST SP800-61r3：https://csrc.nist.gov/pubs/sp/800/61/r3/final 定位：Response/Recovery；关系：partial 支持：明确专业终态使验证可执行。 限制：真实事件和高影响动作需目标环境/授权。 核查：2026-10-20；来源状态：active 适用限制：真实事件和高影响动作需目标环境/授权。 ## 情境变化 ### 端点与身份事件 输入变化：涉及端点隔离、账号/凭据与用户恢复。 判断变化：先明确证据/隔离/恢复边界再执行获准动作。 验收变化：持续性、旧凭据、合法用户/数据和端点恢复。 ### 跨资产与业务恢复 输入变化：多系统、网络或第三方参与，可能超现有权限。 判断变化：可分阶段交结果，缺责任方/日志不能完整结案。 验收变化：证据时间一致、侧向影响、业务探针、沟通/升级与残余风险。 研究前沿：有公开响应接口与专业方法；CTF和钓鱼问卷均不证明本端点/身份事件已安全处置，没有本站真实攻击试验。 下一项验证：在授权演练环境放入已知事件和正常业务，先保全证据再执行获准隔离/恢复，独立验证持续性、数据/用户与审计。 未来改判信号： - 新事件条件下证据、遏制与业务恢复都被独立复验，可扩大受限自动动作。 - 证据丢失、攻击持续或业务未恢复时拒绝完整结案。 # 研究材料交付：陈述到证据与可复用成果 工作单元：W-C32；版本：2026-10-21.workunits.2；复核：2026-10-20 针对实际已有研究结果交付陈述、证明或实验相互对应的论文/报告与复用材料；按理论、代码或数据产物选择核查方式，不强制纯理论成果制造代码或数据。 ## 当前用法 可委派真实成果的材料整理与打包；理论按命题、假设、证明和引文接收，有代码/数据时再独立运行复算，发表新颖性与意义另审。 依据：NeurIPS清单提供陈述、限制、复现及代码/数据权利检查方法；AI写作/打包建议为编辑迁移，不用PaperBench部分复现成绩证明科研传播。 来源状态：active 本站记录：本次核查公开资料与任务契约，未在本站运行目标任务或新增模型试次。 条件： - 给出实际产物及其获取、引用和许可条件；有代码、数据、权重或硬件时再提供依赖、预算与隐私条件，纯理论给完整命题、假设、证明和必要引文。 - 关键陈述连接证明、引文或真实运行/数据/图表；理论按假设与论证核查，有计算资产时准备独立环境与最小复算结果；区分新颖性、意义和可复用性。 ## 请求与范围 冻结真实研究问题、已得到的证明/实验/失败、原始产物与文献；明确受众、打包用途和可公开边界。 对象可以是原创或复现成果的传播/复用材料；不在此重新宣称发现或复现成功。投稿/公开发送需相应授权，材料可本地接收。 ## 输入 - 已有结果与受众：冻结真实研究问题、已得到的证明/实验/失败、原始产物与文献；明确受众、打包用途和可公开边界。 - 复用条件：给出实际产物及其获取、引用和许可条件；有代码、数据、权重或硬件时再提供依赖、预算与隐私条件，纯理论给完整命题、假设、证明和必要引文。 - 陈述核对与外部复算：关键陈述连接证明、引文或真实运行/数据/图表；理论按假设与论证核查，有计算资产时准备独立环境与最小复算结果；区分新颖性、意义和可复用性。 ## 交付物 - 论文/报告和逐关键陈述的证明/运行/引用定位 - 理论成果的完整命题、假设、证明/引文材料；有代码或数据时另附可运行环境、数据字典/版本与获取/许可条件 - 与产物相适用的独立理论核查或运行复算记录，以及限制、负结果和无法公开项说明 ## 验收 1. 陈述不扩大结果 方法：每项关键结论反查证明/日志/数据与引用，不把未跑、探索或部分结果写成确认/完整成功。 拒收：正文声称所有实验通过，实际只运行一组。 2. 材料确可复用 方法：理论成果核对完整命题、假设、证明与引文是否足以复查；选择形式交付时追加内核及依赖检查。有代码/数据时才在干净环境获取、安装并复算核心结果，核对版本、图表与预算。 拒收：理论结论缺关键假设、证明或引文；或声称可运行的仓库缺数据/脚本，图表无法重建。 3. 权利与限制透明 方法：核对许可/引用/敏感数据与不可公开边界，说明失败/限制/人介入和适用范围。 拒收：用占位许可证或泄露数据，隐藏复用必需私有资产。 ## 具体例子 输入：算法已有保留图实验与失败，需打包论文/代码/数据说明。 预期产物：关键结论到结果/证明，环境和独立复算日志，失败与许可。 失败：把探索图改成确认结论，并发布无法复算的图表。 ## 工作重组 以前：研究完成后另写论文、整理仓库，图表和陈述易与真实记录分离。 现在：Agent可把真实产物连到正文、证明、图表和引用；理论按完整命题与论证反馈修订，有代码/数据时再编排环境并独立复算，缺证据就缩小陈述。 保留： - 确认研究贡献、署名/许可、隐私和公开授权，独立裁决新颖性/意义，不让材料生成替代研究。 新增： - 核对许可/引用/敏感数据与不可公开边界，说明失败/限制/人介入和适用范围。 ## 人的责任与失败接管 确认研究贡献、署名/许可、隐私和公开授权，独立裁决新颖性/意义，不让材料生成替代研究。 缺原始产物只交缺口与可写范围，不编结果/引用；敏感或权利不明材料保持本地并说明获取条件。 ## 尚待补足 - 分别给一份理论结果和一份实验结果：理论注入漏假设/缺引文，实验保留未运行项/缺依赖，检查材料是否如实标注；只有计算产物需要独立环境复算。 ## 职业与团队下一步 研究传播与可复用工程 论文/报告和逐关键陈述的证明/运行/引用定位 分别给一份理论结果和一份实验结果：理论注入漏假设/缺引文，实验保留未运行项/缺依赖，检查材料是否如实标注；只有计算产物需要独立环境复算。 /explore?purpose=career&domain=computing NeurIPS清单提供陈述、限制、复现及代码/数据权利检查方法；AI写作/打包建议为编辑迁移，不用PaperBench部分复现成绩证明科研传播。 Agent可把真实产物连到正文、证明、图表和引用；理论按完整命题与论证反馈修订，有代码/数据时再编排环境并独立复算，缺证据就缩小陈述。 分别给一份理论结果和一份实验结果：理论注入漏假设/缺引文，实验保留未运行项/缺依赖，检查材料是否如实标注；只有计算产物需要独立环境复算。 /explore?purpose=team&domain=computing ## 证据与关系 - NeurIPS Paper Checklist：https://neurips.cc/public/guides/PaperChecklist 定位：Claims/Limitations/Reproducibility/Code/Data/licenses；公开 单页未标日期；核查 2026-10-20；复查 2027-01-20 支持：有公开研究材料检查方法。 未覆盖：作者清单不是AI写作成绩，也不保证录用。 ## 任务级判断与证据 采用方式：分阶段接收 从证据到建议：NeurIPS清单提供陈述、限制、复现及代码/数据权利检查方法；AI写作/打包建议为编辑迁移，不用PaperBench部分复现成绩证明科研传播。 当前可用性：mixed；公开方法与普通文档/代码工具即可组织材料；关键数据、证明、运行资产和权限必须真实可得。 - 研究材料检查清单：https://neurips.cc/public/guides/PaperChecklist 访问版2026-10-20；目标论文/代码/环境版本固定；公开方法；实际写作/构建/复算工具由成果环境提供 ### NeurIPS Paper Checklist要求检查主张/限制、复现和代码/数据等信息，适用于把实际结果与可复用材料相连。 依据身份：工具与方法依据；状态：active - NeurIPS Paper Checklist：https://neurips.cc/public/guides/PaperChecklist 定位：Claims/Limitations/Reproducibility/Code and Data；关系：method 支持：有公开研究材料检查方法。 限制：作者清单不是AI写作成绩，也不保证录用。 核查：2026-10-20；来源状态：active 适用限制：作者清单不是AI写作成绩，也不保证录用。 ### 可委派真实成果的写作/打包，以逐陈述证据、相适用的理论核查或独立复算及许可/限制接收；不把已有论文复现任务等同原创成果传播。 依据身份：有条件的编辑推断；状态：active - NeurIPS Paper Checklist：https://neurips.cc/public/guides/PaperChecklist 定位：claim consistency and reproducibility；关系：partial 支持：方法使材料验收可执行。 限制：本成果外部复算尚待实施，传播影响未知。 核查：2026-10-20；来源状态：active 适用限制：本成果外部复算尚待实施，传播影响未知。 ## 情境变化 ### 原创研究传播 输入变化：对象为本研究新算法/模型/理论/系统的已有结果。 判断变化：先核对贡献及证据，材料包不替代新颖性审阅。 验收变化：关键陈述对应完整证明或真实实验；理论按假设、论证和引用核查，有代码/数据时再运行复算，权利和限制均要明确。 ### 受限资产与复用 输入变化：代码/数据/硬件存在许可、隐私或私有条件。 判断变化：可交诚实限制/获取接口，不伪装完全开放。 验收变化：可公开最小材料、授权获取、依赖与外部可复算范围。 研究前沿：公开有研究材料与复现自查要求；没有本成果传播效果或AI论文可靠率。可检查的包与外部复算比语言流畅更直接。 下一项验证：分别给一份理论结果和一份实验结果：理论注入漏假设/缺引文，实验保留未运行项/缺依赖，检查材料是否如实标注；只有计算产物需要独立环境复算。 未来改判信号： - 外部环境复算且关键陈述均能回溯真实证据，可扩大同类材料整理。 - 陈述超证据、关键材料缺失或许可不明时拒绝发布/复用声明。 ## 具体工作进展 截至 2026-10-21；下次复查 2026-11-20；首次公开或判断变化日期窗口 all；类型 全部。 ### 代码产出增加后，工作转向组织、接收与监控Agent 2026-10-16 · 现场观察 Anthropic内部观察显示，Agent做得更多会改变人的工作内容，增加上下文维护、请求分流与监控。 来源状态：active 结果：研究给出内部工作和招聘材料及访谈，观察到Agent管理工作增加；这是一家公司采用后的变化。 当前行动：为一条维护流程记录待接收补丁、重复异常和复核耗时；让注意力集中在真实决策上。 改变步骤：变化集中在交付之间的组织：规格、可见上下文、互审和异常分流进入日常工作。 以前：给人拆分实现步骤，再集中审阅提交。 现在：可以委派完整修改；同时需要让任务状态和异常可见，避免所有Agent输出都请求逐条阅读。 配置：内部工作数据与访谈；采用非随机；代码量等产出代理指标不代表全部业务价值。 边界：组织观察不能推出你的团队应减几人，也不证明所有复核必须永远由人完成。 - Anthropic内部的工作与职责变化：https://www.anthropic.com/research/employment-at-anthropic；定位：Bottlenecks and process；采用非随机限制 ### 模型不变，改进工具和检查流程也能改善交付 2026-10-09 · 工作方法 Harness²通过比较运行轨迹来修改上下文、工具和检查安排，展示运行流程本身可以优化。 来源状态：active 结果：指定Code配置的平均检查得分由73.4变为76.5；得分是每题检查项通过比例的汇总，不是完整项目通过率。 当前行动：先检查Agent是否真的读输入、运行测试和查看产物；记录改流程后的收益与全部成本。 改变步骤：从只换模型或加提示，扩展到保存失败轨迹、试改流程并重新执行。 以前：失败后直接重试或换模型，缺少对漏读、漏执行和漏检查的定位。 现在：用轨迹定位瓶颈并试改流程，再按相同目标验收。 配置：Gemini 3.5 Flash＋OpenCode执行、Opus 4.8编辑；40个Code任务、三条随机顺序经验流、k=1。含确定性和LLM/VLM检查；k=1无最终多产物选择，编辑/候选另耗预算。 边界：流内经验相关；论文未验证本站队列或当前仓库，不能据最终执行步数推总成本下降。 - Harness²：固定执行模型，改进运行流程：https://arxiv.org/html/2610.14224v1；定位：§2.2、§3.1表1、附录B/D ### 测量修订：资源和验收错误也会制造失败 2026-08-28 · 测量修订 Terminal-Bench 4.0修正环境、题目与验收，让测到的失败更接近任务本身。 来源状态：active 结果：本次调整资源条件、修订题目并移除部分任务；它改变测量口径，不代表模型突然获得新能力。 当前行动：保留一个正确替代实现和几个已知缺陷；规则变更重评产物，环境变更重跑。 改变步骤：评估Agent前，先检查任务说明、运行资源和验收是否合理。 以前：直接比较不同环境的榜单，或把所有超时都当能力失败。 现在：版本化输入、环境和验收；正确解、关键缺陷和绕过控制分别检查。 配置：Terminal-Bench 4.0；环境和题集变化按主版本处理，相关试次需重跑。 边界：不把旧新题集分数连接成能力曲线；该基准预算不是业务SLA。 - Terminal-Bench 4.0的资源与验收修订：https://www.tbench.ai/news/terminal-bench-4-0；定位：Calibrating resources；Removing and fixing tasks；Versioning - 持续维护评测：何时复用、重评和重跑：https://www.tbench.ai/news/continuous-benchmarks；定位：Versioning and Publishing Tasks；CI on New and Improved Tasks ### DBA-Bench以活跃负载区分诊断、恢复和约束 2026-07-24 · 测量修订；资料修订 2026-10-10：文档版本/结果表述修订；没有据此推定新的模型能力跃迁。 v2在活跃PostgreSQL/TiDB比较有界/持续运维状态，揭示诊断与恢复及安全的差距。 来源状态：active 结果：DBA-Bench v2在活跃PostgreSQL/TiDB检验231有界与10持续场景，观察到诊断、恢复和约束满足的差距。 当前行动：在目标DB冻结事务/权限与负载探针；恢复后再施加一次事件，检查先前修复仍成立。 改变步骤：v2在活跃PostgreSQL/TiDB比较有界/持续运维状态，揭示诊断与恢复及安全的差距。 以前：根因或单步成功无法说明数据库业务已恢复且安全。 现在：评价扩到有负载状态和连续事件，能发现恢复后退化和违规动作。 配置：v2：PostgreSQL/TiDB、活跃负载；231有界/10持续场景，8自动基线；具体模型/预算与场景约束依原表，不推算目标库成功率。 边界：预印本受限场景；具体库、权限与负载仍需独立状态验收。 - 事故恢复：从信号到持续业务恢复：/work-units/W-C08.md - 数据库还原：交付可读写的目标恢复点：/work-units/W-C16.md - 性能与容量改善：同一负载下证明收益与代价：/work-units/W-C18.md - 复制与HA切换：单主、事务连续与冗余恢复：/work-units/W-C28.md - DBA-Bench v2：https://arxiv.org/abs/2607.22165v2；定位：Abstract；live PostgreSQL/TiDB与persistent scenarios ### 软件评测审计使验收器本身进入核对范围 2026-07-08 · 测量修订 OpenAI审计指出SWE-Bench Pro的题意和测试可能影响输赢。 来源状态：active 结果：厂商审计证据改变验收设计，不是本CSV后端已修复。 当前行动：给CSV验收加入漏行/越权负控制和合法替代实现。 改变步骤：接收不再只看测试绿灯，要核对独立行为与合法替代。 以前：默认任何测试失败都代表模型能力失败。 现在：先排除验收定义和环境错误，再解释产物输赢。 配置：OpenAI为参评厂商；原审计方法与任务范围见原文。 边界：本次没有可比的新能力结果；这是评测方法修订，新增阅读日期不表示能力提升。 - 约束内功能交付：从行为契约到真实系统变更：/work-units/W-C02.md - OpenAI：SWE-Bench Pro评测问题审计：https://openai.com/index/separating-signal-from-noise-coding-evaluations/；定位：SWE-Bench Pro任务审计、过严测试/题意缺失/测试覆盖问题 ### OSWorld2.0挑战跨工具长流程和隐藏状态 2026-06-28 · 测量修订；资料修订 2026-07-13：文档版本/结果表述修订；没有据此推定新的模型能力跃迁。 108个长流程把二元完成与部分分分开，动态约束/状态成为失败来源。 来源状态：active 结果：OSWorld2.0发布108个长流程，分开二元完成与部分评分，实测暴露动态信息、约束和隐藏状态处理失败。 当前行动：项目状态从工单/产物核实；注入过期记录与依赖变化，检查重排及未确认承诺，不用文档完成度验收。 改变步骤：108个长流程把二元完成与部分分分开，动态约束/状态成为失败来源。 以前：短桌面任务较少体现跨来源、长时约束与中途变化。 现在：长流程把局部步骤和最终完成分开，能检查多步任务中遗漏状态/验证的问题。 配置：论文v2：108流程、500步主评价；完整/部分分分开；原实验模型/思考与批调用设置按论文，本文不混合成绩。 边界：跨应用一般任务，不能把部分评分或总分转成项目管理率。 - 项目交付基线与状态重排：依赖、资源和验收差距：/work-units/W-C22.md - OSWorld2.0 v2：https://arxiv.org/abs/2606.29537v2；定位：Abstract：108 long-horizon workflows；binary/partial ### 从生成界面到真正完成用户操作 2026-03-24 · 工作方法 长时间应用构建案例把规划、实现与操作评价连接，评价者要真正使用应用才能发现未接通流程。 来源状态：active 结果：在“2D复古游戏制作工具”案例中，单Agent输出的实体不响应输入；完整运行系统的结果能移动角色并试玩，仍出现平台重叠和关卡大墙等问题。 当前行动：选一个真实操作，例如保存、重新打开和修改；把结果状态纳入验收。 改变步骤：验收Agent用Playwright实际试玩，发现矩形填充只落起止点、实体删除条件等问题，再把缺陷交回修订；验收关注可操作行为。 以前：生成文件或漂亮截图就交付。 现在：实际操作核心流程，失败返回实现循环，交付行为证据。 配置：原文Opus 4.5案例：单Agent约20分钟/9美元，完整系统约6小时/200美元；规划器还把一句话请求扩为16项功能、10个迭代。不是同预算、同范围的因果对照。 边界：案例支持工作法，不提供所有应用的一般完成率。 - 把长时间应用开发交付给Agent：https://www.anthropic.com/engineering/harness-design-long-running-apps；定位：规划/生成/评价分工、实际应用操作及评价者限制 ### 钓鱼队列随机试验报告人加Agent研判改善 2025-11-17 · 测量修订 研究报告队列优先级/解释改变分析师注意力与研判表现。 来源状态：active 结果：问卷中排序/解释改变专业分析师的邮件研判与注意力；原语料Agent零FP/FN后合成错误用于行为研究，resolve-benign收益属于组合反事实而非持续邮箱处置观测。 当前行动：用本地真假/待证与自然错误分布验证排序/解释，单列自动关单的漏报风险；不照搬问卷反事实。 改变步骤：研究报告队列优先级/解释改变分析师注意力与研判表现。 以前：随机队列与材料研判难区分排序、解释及跳过良性协议的作用。 现在：三组干预和合成判定错误可区分这些条件；跳过良性的协议只作反事实，不构成无人遏制结果。 配置：论文v1 §2，Qualtrics标准化只读邮件材料；无AI随机队列、知情AI队列、不知情AI队列三组；含合成判定/解释错误及resolve-benign反事实。招募/剔除/队列条件详见C30-PHISH，不是现场邮箱响应试验。 边界：167招募、标准化只读材料/Qualtrics，25封队列源自93语料；有合成错误与反事实，非生产长期无人响应。 - 告警调查结论：证据、判定与可继续的升级包：/work-units/W-C30.md - Phishing Triage Agent 随机对照试验：https://arxiv.org/abs/2511.13860v1；定位：Abstract；RCT treatment and outcomes ### AlphaEvolve公开算法搜索与部分成果 2025-05-14 · 工作方法；资料修订 2025-06-16：5月官方首次公布成果；6月白皮书补方法/产物说明，不重置能力首次公开日。 专用系统以代码搜索和任务评价器得到算法/计算优化成果。 来源状态：active 结果：AlphaEvolve报告演化代码搜索在算法/计算基础设施得到改进，并公开部分结果供检查。 当前行动：冻结算法语义、独立评价器和预算，先校准错误/合法替代，再搜索候选；推广与复杂性论证单独检查。 改变步骤：专用系统以代码搜索和任务评价器得到算法/计算优化成果。 以前：把LLM写代码与算法评价分开，难以持续利用反馈搜索新候选。 现在：专用系统把代码变异、评价与演化连接，可产出可检查算法；公开成果不等于整搜索系统可得。 配置：2025白皮书专用AlphaEvolve，LLM代码修改+演化+任务评价器；单成果不带未报告成功分母，本文不猜算力/重试。 边界：专用研究系统与选择性成果，不保证公开Agent复现或解决任意新题。 - 算法候选交付：代码搜索、反例与正确性证据：/work-units/W-C14.md - AlphaEvolve 白皮书：https://arxiv.org/abs/2506.13131v1；定位：Abstract；evolution/evaluators与algorithm discoveries - AlphaEvolve 公开产物：https://github.com/google-deepmind/alphaevolve_results；定位：README与具体算法产物目录 - Google DeepMind AlphaEvolve首次成果公布：https://deepmind.google/blog/alphaevolve-a-gemini-powered-coding-agent-for-designing-advanced-algorithms/；定位：2025-05-14发布；algorithm discovery/computational infrastructure ### EmbedAgent公开固件、电路和跨平台任务 2025-04-19 · 工作方法；资料修订 2026-01-23：文档版本/结果表述修订；没有据此推定新的模型能力跃迁。 原研究与实现把代码和虚拟电路行为联合检查，不同平台成绩不能互换。 来源状态：active 结果：EmbedAgent公开固件、电路与迁移任务的虚拟电路验收，原实验显示平台/语言条件影响完成表现。 当前行动：选定目标板卡/接线和SDK，让Agent交候选；用外部刺激/时序及升级中断控制接收实物结果。 改变步骤：原研究与实现把代码和虚拟电路行为联合检查，不同平台成绩不能互换。 以前：编译或通用编程题无法检查电路连接和设备行为。 现在：代码、原理图与跨平台迁移被放入同一可执行评价环境；仿真仍不同于实物。 配置：论文v3：126案例、9组件、3平台、10LLM；有/无原理图、迁移与检索/编译反馈设置分开，本文不转用比例。 边界：虚拟电路与小板卡不能证明工业实物、实时或电气可靠性。 - 嵌入式交付：固件、接口与可重放设备行为：/work-units/W-C10.md - EmbedAgent v3：https://arxiv.org/abs/2506.11003v3；定位：Abstract；Embedbench roles and evaluation - EmbedAgent 官方实现：https://github.com/icip-cas/EmbedAgent；定位：README：run/evaluate；Wokwi ### PaperBench把论文复现拆为可检查贡献 2025-04-02 · 工作方法；资料修订 2025-04-07：文档版本/结果表述修订；没有据此推定新的模型能力跃迁。 要求从论文到代码并执行实验，部分贡献与完整复现需分开。 来源状态：active 结果：PaperBench提供20篇论文的贡献rubric和实际复现实验，原模型结果是部分贡献得分，不能视为整篇成功率。 当前行动：选一项可预算贡献冻结rubric，独立重跑核心实验/消融，记录未复现项、预算和差异原因。 改变步骤：要求从论文到代码并执行实验，部分贡献与完整复现需分开。 以前：写出代码或类似论文文本难以判断关键实验是否复现。 现在：贡献被连到可检查实现和实际运行，复现差异可以逐项暴露；LLM裁判仍有误差。 配置：论文v3：20篇ICML2024论文、8316子项，作者参与rubric与独立judge校准；原最佳Claude3.5 Sonnet(New)+开放脚手架，本文不转用得分。 边界：贡献分与LLM裁判均有限，不是完整论文复现率。 - 论文复现交付：贡献到实际实验结果：/work-units/W-C25.md - PaperBench v3：https://arxiv.org/abs/2504.01848v3；定位：Abstract；replication rubrics与judge ### IT管理员RCT覆盖登录、策略和设备排障 2024-11-01 · 测量修订；资料修订 2024-11-12：文档版本/结果表述修订；没有据此推定新的模型能力跃迁。 试验比较Entra/Intune中Copilot辅助管理员与对照；v2修订耗时数字。 来源状态：active 结果：IT管理员RCT在Entra/Intune的登录、策略与设备排障比较辅助准确性/耗时；v2修正了耗时数字。 当前行动：选真实测试设备/账户，核对原用户任务、权限/数据和重启结果；将诊断、操作与恢复分开记录。 改变步骤：试验比较Entra/Intune中Copilot辅助管理员与对照；v2修订耗时数字。 以前：管理员需分别收集身份、策略和设备信息以回答/排查问题。 现在：Copilot可在这些管理情景辅助信息综合；实验答题改善不等于实际设备已恢复。 配置：论文v2：Entra/Intune有/无Security Copilot随机组，登录/设备策略/设备排障三情景；题型分开，未将修订当新能力。 边界：辅助管理员任务，不是无人终端配置/维修试验。 - IT用户任务恢复与配置交付：/work-units/W-C13.md - 终端配置与迁移：交付可用设备及完整用户资料：/work-units/W-C23.md - IT管理员 Security Copilot RCT v2：https://arxiv.org/abs/2411.01067v2；定位：Abstract；Entra/Intune三类情景 ### MLE-bench公开训练与实验任务资产 2024-10-09 · 工作方法 离线Kaggle工程任务有直接模型实验与公开运行资产。 来源状态：active 结果：MLE-bench发布75个Kaggle工程任务及评分/运行资产，并实测Agent的数据准备、训练和实验搜索。 当前行动：冻结业务保留集/泄漏控制与计算预算，先对简单基线，再接收完整训练/失败账本。 改变步骤：离线Kaggle工程任务有直接模型实验与公开运行资产。 以前：代码生成题难以衡量数据准备、训练资源和最终模型效果。 现在：离线ML工程可以按任务预算与竞赛结果评价；不覆盖线上服务或业务收益。 配置：原论文：75竞赛，包含o1-preview+AIDE等模型/脚手架；本文不混用榜单分数，当前仓库暂停新提交。 边界：离线竞赛与预算特定；模型训练得分不继承为服务/收益。 - 机器学习实验包：数据、训练与可解释的保留集表现：/work-units/W-C06.md - MLE-bench 原论文：https://arxiv.org/abs/2410.07095v1；定位：Abstract；dataset与resource scaling - MLE-bench 官方实现与可比性公告：https://github.com/openai/mle-bench；定位：README：Leaderboard update；Setup/agents ### SWE-bench Multimodal把视觉JS缺陷单列评估 2024-10-04 · 测量修订 617个视觉JavaScript缺陷任务把视觉和跨语言泛化问题显式化。 来源状态：active 结果：原研究观察到通用修复系统在视觉JS任务上退化，视觉/语言分布需单独评价。 当前行动：前端变更用真实浏览器重放操作与渲染，独立查持久状态、焦点和失败态；不用截图相似替代功能。 改变步骤：加入带图像的用户界面软件缺陷，而非继续只测文本Python仓库。 以前：Python文本问题基准难覆盖图像/渲染与视觉交互缺陷。 现在：视觉JS问题及其检查成为独立任务入口，不能把原榜单直接外推到前端。 配置：论文v1：617任务、17JS库，SWE-agent等当时配置；不是2026模型排行或本站运行。 边界：历史模型与库级缺陷；不覆盖所有完整页面、可访问性或跨浏览器产品交付。 - 浏览器功能交付：操作、渲染与可访问性一起验收：/work-units/W-C04.md - SWE-bench Multimodal 原论文：https://arxiv.org/abs/2410.03859v1；定位：Abstract；任务定义与实验 ### AndroidWorld把移动任务验收接到真实模拟器状态 2024-05-23 · 测量修订 动态参数/持久状态检查使手机操作可以按结果验收；它没有评估新app代码。 来源状态：active 结果：AndroidWorld公开在Android模拟器运行的参数化app任务，结果可由持久状态核验。 当前行动：为移动功能准备断网/后台/重进控制，核对实际存储与服务状态；另用目标真机补生命周期/外设。 改变步骤：动态参数/持久状态检查使手机操作可以按结果验收；它没有评估新app代码。 以前：仅看截图/点击轨迹难判定手机任务是否真正完成。 现在：任务可随机实例化并检查终态，操作与成功评价得以分开；这不测新app编写。 配置：AndroidWorld原论文：116任务、20app、动态参数；公开参考环境Pixel6/API33；模型/预算按原论文，不转写为开发成绩。 边界：既有Android应用操作，不是新app开发、iOS或真机资源测试。 - 移动应用交付：离线、生命周期与设备状态：/work-units/W-C05.md - AndroidWorld 原论文：https://arxiv.org/abs/2405.14573v1；定位：Abstract；benchmark and robustness analysis - AndroidWorld 官方环境：https://github.com/google-research/android_world；定位：README：Installation/Quickstart/Docker ## 未来3–5年：2029–2031：从单份修改到持续交付的软件Agent 未来3–5年：2029–2031 整包应用案例、真实修复接收和运行流程优化，是更长软件任务可委派的正面信号。以下是本站据此提出的条件情景，不是这些研究给出的日期预测。 来源状态：active 当前建议回答今天怎样交付；未来3–5年指2029–2031。编程的完整交付与数学的开放问题成果，支持认真准备更广泛自主工作的强情景。本站把AGI视作跨领域、能适应新任务且可靠达成复杂目标的讨论对象；这些进展是方向证据，尚不能确认某个AGI定义已满足或必在某年发生。三种情景均给出可观察信号、职责变化与现在行动，不把今天的局限或人的现有分工写成永久边界。 ### 基准情景：完整修改成为常用交付 在上下文与测试较成熟的系统中，Agent承接功能、修复和回归的一体交付，维护者从逐步编写转向目标、异常与接收；审查的一部分继续自动化。 成立信号： - 未见仓库和变更类型仍保持可验收交付 - 返工、接收和线上恢复成本随使用改善 - 环境/上下文变化能被检测并更新 职责变化：工程岗位更常覆盖需求、系统取舍与运行结果；初级培养需从只写代码升级为理解与验证完整修改。 现在行动：现在沉淀真实行为契约、失败样本和环境；按净交付周期衡量收益，不以代码量替代。 ### 加速情景：软件成为按目标持续运行的系统 若长链恢复、跨仓库迁移和自动验证持续进步，Agent可在权限与预算内规划、实现、迁移和维护较大系统；人可用更少逐步干预探索新产品，团队边界可能重组。 成立信号： - 跨多系统、数周目标能在真实变化后继续交付 - 独立评估能发现自生成测试漏掉的重要错误 - 完整人工介入和故障成本持续下降，且系统可迁移到新业务 职责变化：稀缺工作可能转向选目标、产品机会、资源和影响取舍；不能预设人工代码审查永远是主要瓶颈。 现在行动：把工具和职责做成可替换接口；试验更大交付，但按实际触发信号扩围，并安排成员转向新的业务机会。 ### 受限情景：编码快，集成与组织仍慢 模型产物更强，但遗留系统、隐性需求、权限和恢复成本使自主交付扩展较慢；固定程序与AI协作长期并存。 成立信号： - 未知依赖和需求变动仍引发大幅返工 - 审查和事故处理抵消生成提速 - 同一Agent换系统后需要重新铺上下文 职责变化：系统知识、集成和沟通能力仍有高价值；工具投入首先服务复现、测试和资料。 现在行动：优先修复反复出现的集成障碍；保持可回退的部署和岗位安排，避免依据榜单单独裁定编制。 观察： - 实际未见仓库的完整交付与维护记录 - 跨月净人工时间、回滚与事故情况 - 任务/环境/模型版本变化后的迁移表现 依据： - 把长时间应用开发交付给Agent：https://www.anthropic.com/engineering/harness-design-long-running-apps - AI参与的修复PR：哪些被项目接收，哪些没有：https://arxiv.org/html/2602.00164v1 - Harness²：固定执行模型，改进运行流程：https://arxiv.org/html/2610.14224v1 - Anthropic内部的工作与职责变化：https://www.anthropic.com/research/employment-at-anthropic - 任务时间跨度：软件任务趋势及其适用范围：https://metr.org/time-horizons/ ## 工具与采用佐证 ### OpenHands：把不同编程Agent接入持续工作环境 来源状态：active 核查层级：implementation_inspected；日期：2026-10-19；版本：f3caa2778553662c22715bfb52b5eb6edf975d5b 原始主张：项目提供本地/远程Agent工作台、后端选择和自动化连接。 已检查：固定commit的README、许可证和自动化接口测试已读；旧resolver路径404。主仓库当前负责Canvas，SDK和automation分别承接执行与触发。 支持：编程工作已有组织Agent运行、工作区和自动化的实现路径，可以作为搭建交付环境的候选。 限制：接口测试存在不证明任务成功；没有在本站启动该工具或使用其云服务。 下一步：固定SDK/Canvas匹配版本，在隔离仓库用一个有失败回归的缺陷和一项新功能检查完整产物、重试、权限与人工接收。 https://github.com/OpenHands/OpenHands/blob/f3caa2778553662c22715bfb52b5eb6edf975d5b/README.md ### Cognition：高比例AI代码提交是采用线索 来源状态：active 核查层级：claim_checked；日期：2026-10-19；版本：official-post-2026-05-27 原始主张：2026-05-27官方文章称，内部工程师提交的代码89%由Devin提交。 已检查：实际读取原始What’s Next段；没有把融资、收入或转述数量视为独立证据。 支持：提示工程师工作可能从逐行编写转向问题定义、并行执行与接收，可纳入未来职责情景的观察清单。 限制：原文比例不等于89%工程工作自动完成，也未提供本站可复算的分母、窗口及人工复核成本。 下一步：取得明确时间窗与可审计PR样本，区分生成/提交/合并/接收，纳入删除、回滚、人工重写及完整人时，再判断净效果。 https://cognition.com/blog/series-d