v3：2026-09-07 以来的全部工作合入 main

.github/workflows/ci.yml

@@ -0,0 +1,38 @@
+# 借 commerce-agents 的分层：无 API key 的检查跑在每次 PR 上；真跑模型的评测由人触发。
+#
+# 三件事：
+#   1. typecheck + 各包单测（含 hook 子进程测试）——门禁类行为不过模型，脚本化输入就能钉住；
+#   2. check-drift——两臂提示词的规则逐条认领，漂移即红；
+#   3. replay——对仓库里冻结的运行重打分，coverage 必须和 expected.json 逐位相同。
+#      这是「CI 只跑 replay、不打 API」：score_run 是确定性的，录制的运行在 benchmark/*/replay/ 里。
+name: ci
+on:
+  push:
+    branches: [main, v3]
+  pull_request:
+
+jobs:
+  check:
+    runs-on: ubuntu-latest
+    steps:
+      - uses: actions/checkout@v4
+      - uses: pnpm/action-setup@v4
+        with:
+          version: 9
+      - uses: actions/setup-node@v4
+        with:
+          node-version: 22
+          cache: pnpm
+      - run: pnpm install --frozen-lockfile
+      - name: typecheck
+        run: pnpm typecheck
+      - name: unit tests (packages)
+        run: pnpm test
+      - name: installer, fixture and gate contracts
+        run: node --test scripts/test/*.test.mjs
+      - name: hook tests (子进程，喂 stdin 断 stdout)
+        run: pnpm test:hooks
+      - name: prompt drift (两臂提示词逐条认领)
+        run: pnpm check:drift
+      - name: replay frozen runs (确定性重打分，不打 API)
+        run: node scripts/replay.mjs

.gitignore

@@ -8,6 +8,13 @@ server/dist/
 # runtime data — DB, encrypted secrets vault, settings, LLM-debug captures (SENSITIVE)
 .data/
 server/.data/
+# 清库时旧数据是**移走**而不是删掉的（lineage 补不回来），备份目录同样带着密钥与整个库。
+# 两种前缀都要挡：实测出现过 `.data.snapshot-*`，而当时的规则只写了 `.bak-`——
+# 一个只挡住其中一种命名的规则，等于没挡：另一种照样会被 `git add -A` 收进去。
+.data.bak-*/
+server/.data.bak-*/
+.data.snapshot-*/
+server/.data.snapshot-*/
 
 # Midscene run artifacts / caches / screenshots
 midscene_run/
@@ -20,12 +27,45 @@ server/.wallets/
 # env files (may contain model keys / RPC secrets)
 .env
 .env.*
+!.env.example
 server/.env
 server/.env.*
+!server/.env.example
 
 # logs
 *.log
 npm-debug.log*
 
+# Sanitized implementation evidence, intended for the next maintainer to reproduce.
+!docs/v3/evidence/n-0[123456789]/*.log
+!docs/v3/evidence/n-10/*.log
+!docs/v3/evidence/n-11/*.log
+
 # OS
 .DS_Store
+
+# A self-test runs a second instance of the product; its state is not this repo's.
+.data-selftest/
+
+# 测试自己的数据目录：不隔离的话，每次 pnpm test 都会往真实运行列表里塞十几条假运行
+server/.data-test/
+
+# replay 重打分的副产物（score_run 每次都把条目写回运行目录）
+benchmark/*/replay/*/score.json
+
+# Claude Code plugin 的本机配置与 hook 状态（生成物，含绝对路径）
+plugins/testpilot-claude/tp-config.json
+plugins/testpilot/hooks/.state/
+
+# Sanitized remaining roadmap evidence
+!docs/v3/evidence/n-1[2-9]/*.log
+!docs/v3/evidence/n-2[0-7]/*.log
+# Authoritative local evaluation store; export YAML/JSON evidence for review.
+benchmark/**/*.sqlite
+benchmark/**/*.sqlite-wal
+benchmark/**/*.sqlite-shm
+
+# 跑动证据留在本地。105MB、1100 多个文件，其中 6 个录屏就占 73MB——
+# 进了 git 历史就只能靠 filter-repo + force push 才拿得掉。
+# 结论、数字和引用写进 docs/v3/*.md，证据本体按需再单独归档。
+docs/v3/evidence/

CLAUDE.md

@@ -0,0 +1,65 @@
+# TestPilot — 给 Claude Code 的接手说明
+
+## 先做什么
+- 2026-09-10 最新专业性要求先读 `docs/v3/20-领域专业物料链路诊断与重构交接.md` 和 `docs/v3/21-节点提示词与结构化契约草案.md`：先领域引导探索与产品模型，再故事/风险/文本用例/工程集成。当前只是诊断与方案，不能把原冒烟 10/10 当专业验收。
+- 2026-09-10 最新用户决定：本地审核免身份验证。不要恢复 ReviewerSession / TP_REVIEW_TOKEN；操作来源与版本审计保留，详见 09 第 25 节。
+0. **快速接手先读 `docs/v3/09-执行目标与接手指南.md`**：目的与边界、进度快照、设计取舍、N-01 起手式、交接记录格式。每次停止前按该文档 §6 留下可接续记录，并更新 §7 最近交接点。
+1. 读 `docs/v3/00-架构.md`，先读顶部 **2026-09-08 用户决策补充**，再读 §8 红线、§13 规则在哪强制。Web 管项目/workflow/模型/物料/review；Penguin UI 管自进化评估。
+2. 最新 Codex 原生复验见 `docs/v3/19-Codex宿主Hyperliquid实测.md`（10/10 通过；公共页面冒烟范围）。生产实施与真实验收再读 `docs/v3/18-本地UI重构与Hyperliquid验收.md`（Hyperliquid 15/16 通过，C-14 待审；P 项仍按剩余验收保持 doing）。当前 UI 的本地实施再读 `docs/v3/11-WebUI全流程评审与产品设计.md`、`docs/v3/13-UI与论文路线任务台账.md`，然后：
+   `node scripts/plan.mjs --doc docs/v3/13-UI与论文路线任务台账.md --next`
+3. 认领 P 任务（同一 `--doc`，`--set P-xx doing`），按已有基础、代码落点和验收实施；全部兑现后再 done，证据写 `docs/v3/evidence/p-xx/`。当前优先 P-01；PC/SR 已合并到 P 台账。
+4. 08 保留 N 系列历史及人工/观察/发布待条件项，07 保留 T 历史。旧完成率和旧 UI 迁移决策不能替代本轮验收。
+
+## 判决必须在屏幕上（2026-09-12 用户决定）
+- **这个项目产出的是端到端 UI 测试代码。一切基于界面：不要直接调用被测网站的接口。**
+  用例驱动产品的界面，再对界面上出现的东西下判断；接口说成功而屏幕上没有那一行，
+  用例会通过而产品其实是坏的。
+- 已落地：`casegen/prompts.ts` 的第六种判据（`api`）整段改写成「判决从屏幕读」，
+  受限解码的 `kind` 枚举里去掉了 `api`（模型发不出来了）；门禁新增 `oracle-offsite`
+  （warn，按 caseId 计分，等于挡住这类用例过关）。
+- **旧口径的遗留物，别拿它们当范例**：`fixtures/hyperliquid-testnet/cases.json`（8/8 接口判据）、
+  `fixtures/tier4-demo/cases.json`（4/4）、`docs/v3/06-执行层降本.md`、
+  `fixtures/*/README.md` 里「判据全部是 kind: api」那套说法，都是这条口径之前写的。
+- `exec/apiOracle.ts` 与 `MachineOracleSchema` 里的 `api` 分支**还在**（执行旧用例要用），
+  但新用例走不到那里了。要彻底拆掉是另一件事，没做。
+
+## 被测地址只有一个口径（2026-09-12 用户决定）
+- Hyperliquid 相关的一切跑动，**地址一律是 `https://app.hyperliquid-testnet.xyz/trade`**（测试网）。
+  本机链配置 `chainId 421614`（Arbitrum Sepolia）、`fixtures/hyperliquid-testnet/`、注入钱包用的账户，
+  说的都是这一条链。测试网上随便点是对的。
+- **主网 `app.hyperliquid.xyz` 不作为被测对象**。同一个钱包在那边有真钱（2026-09-12 实测
+  `Portfolio Value $6.77`），同一串点击就是在花钱，而两者只差一个域名。它在 `guard.allowHosts`
+  里也永远不该出现——代码与测试里出现的主网地址是「不在白名单的那个例子」，别顺手改掉。
+- 探索要点会改状态的东西（`exploreActions:"interact"`）时，服务端只认 `config.guard.allowHosts`。
+  测试网域名**已经在 `server/harness.config.ts` 的 allowHosts 里**（2026-09-07 加的，理由写在那儿），
+  所以不需要 `ALLOW_HOSTS` 环境变量——2026-09-12 实测：不给这个变量，测试网 interact 照样放行，
+  主网照样 403。要给别的域名开这个口子，走那份配置并在旁边写清理由。
+- `fixtures/hyperliquid-mainnet/` 这个目录名是历史，里面的规则包对测试网同样适用（已实测）。
+
+## 不做的事（除非用户当轮明说）
+- 本会话用户已授权本地真实模型/浏览器联调，不需要再次索要 `.env` 或确认这类验收。新会话按其授权范围执行；不得把旧默认限制当成本会话的额外审批。`git commit` / `git push` / 对外发布仍未授权。
+- 不改 `benchmark/*/gold.json`、`human-labels.json`、`held-out/`、`rubric/`；不把它们放进任何提示词。
+- 不让自愈改 `oracle`。
+- 动 `packages/harness-testing/src/casegen/prompts.ts` 或 `plugins/testpilot/skills/**` 时：`pnpm check:drift`（等价于 `node scripts/check-drift.mjs`）必须绿，`plugins/testpilot/plugin.json` 的 `skillVersions` 跳版本。
+  改完 skill 记得 `node scripts/build-claude-plugin.mjs` 与 `build-codex-plugin.mjs` 重新生成宿主副本——检查会拦，但拦住之前先想着它：2026-09-14 那次，改过的 skill 有四个文件整整两天没到宿主 agent 手里。
+
+## 验收命令
+```bash
+pnpm typecheck && pnpm test          # 各包 tsc + vitest + hook 子进程测试
+pnpm check:drift                     # 两臂提示词逐条认领
+node scripts/replay.mjs              # 冻结运行确定性重打分
+node scripts/cost-report.mjs         # 每条用例的账（跑过用例之后）
+```
+
+## 目录速查
+- `packages/harness-testing/` 九步节点、打分、变异、执行器（`exec/run.ts`）、接口判据（`exec/apiOracle.ts`）
+- `packages/testpilot-mcp/` stdio MCP：run_pipeline · score_run · paired_eval · mutate_and_detect · drive_sut · retrieve_spec …
+- `plugins/testpilot/` skills（纯数据）+ hooks（脚本）；`hooks/lib/tp.mjs::deny` 记 holds
+- `server/src/runtimes.ts` runtime 注册；`penguin.ts` / `claudecode.ts` 已有适配，`codex.ts` 原生适配已按 N-11 完成
+- `benchmark/<capability>/` gold · human-labels · statement · rubric · held-out · scoreboard.yaml
+- `server/src/evolution/` 与 `extensions/penguin-evaluation/`：配套评估 UI、固定预算沙箱、版本/CAS、只读冻结运行 release adapter
+- `evals/*.json` 评测定义：两臂只差一件事，`expect` 跑之前写
+- `fixtures/hyperliquid-testnet/` 执行层降本的被测对象（8 条 P0，全接口判据）
+
+## 写作与提交信息的口径
+中文；第一人称；先写失败与出乎意料的，再写改了什么；数字带来源。提交信息看 `git log` 的前 20 条照着写。

Claude outputs/TestPilot_CLAUDE.md

@@ -0,0 +1,33 @@
+# TestPilot — 给 Claude Code 的接手说明
+
+## 先做什么
+1. 读 `docs/v3/00-架构.md`（唯一真相源，尤其 §8 红线、§13 规则在哪强制）。
+2. 读 `docs/v3/07-第四档路线-任务与进度.md` §0，然后：
+   `node scripts/plan.mjs --doc docs/v3/07-第四档路线-任务与进度.md --next`
+3. 认领一条（`--set T-xx doing`），做完验收判据再标 done，并在 07 §10 追加一行执行记录。
+
+## 不做的事（除非用户当轮明说）
+- 不调模型端点、不真跑浏览器、不 `git commit` / `git push`。这三件事要网络、费用或人的决定。
+- 不改 `benchmark/*/gold.json`、`human-labels.json`、`held-out/`、`rubric/`；不把它们放进任何提示词。
+- 不让自愈改 `oracle`。
+- 动 `packages/harness-testing/src/casegen/prompts.ts` 或 `plugins/testpilot/skills/**` 时：`node scripts/check-drift.mjs` 必须绿，`plugins/testpilot/plugin.json` 的 `skillVersions` 跳版本。
+
+## 验收命令
+```bash
+pnpm typecheck && pnpm test          # 各包 tsc + vitest + hook 子进程测试
+pnpm check:drift                     # 两臂提示词逐条认领
+node scripts/replay.mjs              # 冻结运行确定性重打分
+node scripts/cost-report.mjs         # 每条用例的账（跑过用例之后）
+```
+
+## 目录速查
+- `packages/harness-testing/` 九步节点、打分、变异、执行器（`exec/run.ts`）、接口判据（`exec/apiOracle.ts`）
+- `packages/testpilot-mcp/` stdio MCP：run_pipeline · score_run · paired_eval · mutate_and_detect · drive_sut · retrieve_spec …
+- `plugins/testpilot/` skills（纯数据）+ hooks（脚本）；`hooks/lib/tp.mjs::deny` 记 holds
+- `server/src/penguin.ts` harness 接缝（四个函数）；第二个运行时照它的形状写
+- `benchmark/<capability>/` gold · human-labels · statement · rubric · held-out · scoreboard.yaml
+- `evals/*.json` 评测定义：两臂只差一件事，`expect` 跑之前写
+- `fixtures/hyperliquid-testnet/` 执行层降本的被测对象（8 条 P0，全接口判据）
+
+## 写作与提交信息的口径
+中文；第一人称；先写失败与出乎意料的，再写改了什么；数字带来源。提交信息看 `git log` 的前 20 条照着写。