# 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。

## 与本单元直接关联的进展
### 软件评测审计使验收器本身进入核对范围
公开 2026-07-08
OpenAI审计指出SWE-Bench Pro的题意和测试可能影响输赢。
支持范围：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。
来源状态：active
/explore?purpose=understand&domain=computing&window=all&kind=all#P-C-VALIDATOR-AUDIT

领域背景与未来情景：/explore?purpose=understand&domain=computing


## 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