# 实跑验证

只保留能支持当前判断的四类实验。按场景命名目录，日期和历史轮次写在报告中；中间修订日志不再各建目录。

| 场景 | 条件 | 核心结论 |
|---|---|---|
| [Git 交付基线](git-delivery-baseline/README.md) | 2026-10-14 / 18，两个模型分别3组对照 | 固定多步 Git 任务可减少模型往返；两批任务不同，不能跨模型比较 |
| [Git 交付复测](git-delivery-retest/README.md) | 2026-10-25，GPT-5.5 medium，1组 | 开启组17.41秒 / 70,615 Token完整通过；关闭组预算中止；未证明比旧开启组更优 |
| [复杂工作流验收](complex-workflow-acceptance/README.md) | 2026-10-24，GPT-5.5 medium，Linux ARM64，1组 | 从零自主提取、四层调用、并行汇合及业务局部恢复通过；保留失败成本和未通过边界 |
| [调用开销分析](invocation-cost-analysis/README.md) | 2026-10-23，参数与结果契约修订前后对照 | 结果摘要消除补读，但对已知单条原始命令仍有额外发现成本；含百万Token失败记录 |

## 统一口径

- 关闭：移除 SkillX 的模型发现和执行入口；开启：通过公开契约及 `capability_run` 执行。
- Token 包含未缓存输入、缓存读取、输出；完整调用包含发现、失败、恢复及最终答复，提取与修订另列。
- 耗时使用原生会话起止墙钟。中止记录明确为未完成，用量可能是下限，不据此计算完整成功收益。
- 同一表格注明模型、任务、环境、顺序、样本数和是否复用旧能力；历史对照不冒充同轮实验。
- 成功必须有真实业务产物和独立核验。静态发布、DAG 图和成功回执不能单独证明行为正确。
- 不发布私有会话正文或凭据。结构化汇总可入仓，完整原始证据仅保留在报告注明的本机目录。

## 维护规则

同一场景更新现有报告，必要时补充带日期的小节；只有任务或验证目标不同才新建主题目录。报告至少说明结论、条件、结果、计费范围和局限。失败与未完成样本保留摘要，不仅展示成功均值。自动化回归的范围和运行方法见 [tests/README.md](../../tests/README.md)。