docs: progress, bug history, changelog, backtest after-run for consult no-presupposition (BUG-1164～1168)

Co-Authored-By: Claude Opus 5.5 (1M context) <noreply@anthropic.com>
Claude-Session: https://claude.ai/code/session_01N4f2nya58RoRu4yEmJgRGE

docs/testing/consult-affliction-backtest-20261001.md

@@ -103,9 +103,82 @@ Bill Clinton 不在仓库案例库里，没有加；「父亲缺席」由 Obama
 4. 婚姻题有清单，表现最好（9 / 18 通过），但多次婚姻的三位仍有 6 份写成稳定。
 5. 对照组只有 1 份轻度误报：改动后要重点看对照组有没有被「先说受冲、请确认」带出新的误报。
 
-## 改动后
+## 改动后（2026-10-02）
 
-（第三单 T1～T3 合入后，用同一命令重跑，按上表格式填；通过线见任务书 T4 第 5 条。）
+- 代码：`codex/consult-no-presupposition-backtest-20261001`（第一、二、三单 + 产品 10-02 年运 / 时运字数口径决定，提交 `ec06d422`）。年运 / 时运口径那个提交不影响本回测的四个领域：两次 `--dump-cards` 的模型可见工具结果逐字节相同（年运 / 时运不在回测领域里，模型 72 份里也没有自选这两个领域）。
+- golden 重新生成：旧 golden 生成于第一单之前，卡上没有相位、燃烧、瑜伽分领域、`saturn_from_moon_house`。按 capture 脚本同一命令（`PYTHONHASHSEED=0 JYOTISH_API_CHART_CACHE_TTL_SECONDS=0`）用真实引擎重跑，两次输出逐字节相同，未手改；新 golden 2.87 MB → 3.86 MB，`graha_drishti` / `yoga_domains` / `saturn_from_moon_house` 各 36 处。
+- 命令：`--repeats 2 --concurrency 6 --correction barack_obama,marilyn_monroe,judy_garland,edith_piaf`；模型、思考、输出上限与基线相同。
+- 首轮 72 份里 6 份 `provider_error`（5 份超时约 380 s，1 份 41 s；泰勒婚姻 r1/r2、健康 r1、父母 r2，奥巴马事业 r1/r2），同命令按名人 + 领域补跑，只取失败那一次的同号结果替换，没有挑选。最终 72 份、失败 0。
+- 评分：Claude 逐份阅读全部 72 份 + 8 份纠正追问，口径与基线相同（评分表 `how_to_score`）。本轮新增两条细则，基线表不受影响：①健康题对终身多病的人，开场写「底子中等 / 中等偏稳」并认出受冲的记「通过（弱）」，写「底子不差 / 中上 / 不弱」的记「读反」；②带「可能」和确认句、但与生平事实冲突的判断（例：父母都在身边却写「爸爸可能不常在你身边」）照样按 `must_not` 记「严重冲突」，对照组记「误报」——加了确认句不抵扣。
+
+| 名人 | 父母 r1 / r2 | 婚姻 r1 / r2 | 健康 r1 / r2 | 事业 r1 / r2 |
+| --- | --- | --- | --- | --- |
+| Steve Jobs | 通过 / 通过 | 通过 / 通过 | 通过（弱） / 通过（弱） | 严重冲突 / 严重冲突 |
+| Barack Obama | 通过（弱） / 通过（弱） | 误报 / 误报 | 误报（轻） / 误报（轻） | 严重冲突 / 严重冲突 |
+| Elizabeth Taylor | 严重冲突 / 严重冲突 | 通过 / 通过 | 读反 / 读反 | 严重冲突 / 严重冲突 |
+| Marilyn Monroe | 读反 / 通过 | 通过 / 通过 | 读反 / 通过（弱） | 严重冲突 / 严重冲突 |
+| Judy Garland | 读反 / 通过（弱） | 通过 / 通过（弱） | 读反 / 读反 | 严重冲突 / 严重冲突 |
+| Édith Piaf | 通过 / 通过（弱） | 通过 / 通过 | 读反 / 读反 | 通过 / 通过 |
+| Frida Kahlo | 严重冲突 / 通过 | 通过 / 通过 | 通过（弱） / 读反 | 严重冲突 / 严重冲突 |
+| George W. Bush（对照） | 误报 / 误报 | 误报（轻） / 通过 | 误报（轻） / 误报（轻） | 严重冲突 / 严重冲突 |
+| Zinedine Zidane（对照） | 误报 / 误报 | 误报 / 误报 | 误报（轻） / 误报 | 严重冲突 / 严重冲突 |
+
+格子说明：奥巴马父母两次都认出父亲可能不在身边并请确认，但行动仍写「主动问爸爸一件具体的事」，所以记「弱」；奥巴马婚姻、健康是评分表里的对照项（婚姻稳定、健康良好）。泰勒父母两次把父亲（r2 连母亲）写成「可能不常在你身边」——泰勒父母都在身边，评分表 `must_not` 原文就是「说父母不在身边」。Monroe 父母 r1 母亲写成「她是在的，给的东西也实」；Garland 父母 r1 母亲写成「可能不是那个一直守在身边的人」（她母亲是强势的星妈）；Kahlo 父母 r1 把与她最亲的父亲写成「可能也不常在你身边」。
+
+### 合计：改动前 → 改动后
+
+| 项 | 改动前 | 改动后 | 通过线（任务书 T4 第 5 条 / T2b） | 是否达到 |
+| --- | --- | --- | --- | --- |
+| 严重冲突 | 39 / 72 | **19 / 72**（事业 16，父母 3） | — | — |
+| 读反 | 7 | 10（健康 7、父母 3） | — | — |
+| 漏读 | 3 | 0 | — | — |
+| 误报（含轻） | 1（轻） | **15**（重 9、轻 6；全部落在对照项：Bush、Zidane、奥巴马婚姻 / 健康） | 对照组 0 | **否** |
+| 通过（含弱） | 22 | 28 | — | — |
+| 两次都通过的格子 | 9 / 36 | 12 / 36 | — | — |
+| 排查记录 5 份严重冲突，2 次各 | 10 / 10 仍冲突 | 奥巴马父母 2/2 过（弱）、乔布斯父母 2/2 过、泰勒婚姻 2/2 过；泰勒健康 2 份读反（不再是严重冲突，但没过）；泰勒事业 2 份仍严重冲突 | 5 份全部不再冲突、两次都过 | **否**（泰勒健康、泰勒事业） |
+| 新增 4 位严重冲突 | 20 / 32 | **7 / 32**（Monroe 事业 2、Garland 事业 2、Kahlo 事业 2、Kahlo 父母 1） | ≤ 1 | **否** |
+| 事业题「专业 / 顾问 / 幕后」与生平冲突 | 16 / 18 | **16 / 18**（只有 Piaf 两份没写成专业型） | ≤ 3 / 18 | **否** |
+| 禁句（逆行…反复 / 来回） | 7 处，6 份 | **0** | 0 | 是 |
+| 性别未知时婚恋题用他 / 她 | 5 处 | **0** | — | — |
+| must_not 原文（筛网） | 27 | 23 | — | — |
+
+按领域：
+
+- **父母**：缺席的父亲这一类修好了。奥巴马、Monroe、Garland、Piaf、乔布斯 10 份全部认出「父亲可能不常在你身边」并在段末请确认，不再写「话少、分量重、靠做事表达」；乔布斯两份都写出「照顾你长大的可能不止一位」（送养）。代价是**同一句被套到了父母都在身边的人身上**：Bush 3 处、Zidane 4 处、泰勒 3 处、Kahlo 1 处写成「可能不常在你身边 / 很早就有距离」。原因：第二单通用读法的门槛「受冲信号两个及以上就先写这一面」几乎每张盘都满足（9 宫或太阳被土星 / 火星照、宫主落 6/8/12、D12 有罗睺计都，随便凑两条），T1 定稿句又要求这时第一句就写「在不在你身边」，于是「可能不在身边」成了父母题的默认开头。
+- **婚姻**：多次婚姻的五位 10 份全部读出「可能不止一段 / 断过再续」（基线 6 份写成稳定）。同样的门槛让对照组也被写成「不止一段」：奥巴马 2 份、Zidane 2 份、Bush 1 份（轻）。
+- **健康**：不再有「没有受损」「不是有严重疾病迹象」这类严重冲突（基线 7 份），终身多病的五位都认出了 8 宫 / 6 宫主受冲、慢性消耗；但 7 份开场仍是「底子不差 / 中上 / 不弱」。对照组被写成「底子偏弱 / 偏薄、从小比别人容易累」（Zidane r2，职业球员）等 5 份。
+- **事业**：没有改善。总统、影星、球星、画家、企业家依旧写成「靠专业深度立身」「顾问、老师」「幕后、不靠曝光」「名分落后于实力」。新出现的共性是两层叠加：①通用读法让模型先写受冲——事业宫被土星照、10 宫主落 6/8/12 几乎人人都有，于是开头一律是「名分被压着、在别人看不见的地方做」；②第二单之前就存在的事业清单第 3 行「①接触（消息、面试、初步接洽）②结构性机会（合同、正式职位、长期项目）③公开落地」把读者设成求职者（奥巴马事业 r1 几乎原样复述这三层）。T2b 改的 `product-voice.ts` 示例不是主因：示例删掉「升职 / 专业能力」后 16 / 18 原样不变。AL 落 10 宫（泰勒、Monroe、Garland、Piaf）只有 Piaf 两份、泰勒 r2、Monroe r2、Garland r1 读出「公众形象 / 名声就是事业」，后三份方向仍写成专业型。
+
+### 纠正追问（T3 / D4）
+
+对父亲缺席的四位（奥巴马、Monroe、Garland、Piaf）各两次父母答案追加一轮「我爸其实没怎么管过我」（同会话，历史为上一问一答，走追问轮形状）：
+
+| 名人 | r1 | r2 |
+| --- | --- | --- |
+| Barack Obama | 通过：「你说得对，我上一轮把这条读软了」→ 9 宫火星、9 宫主燃烧、土星照 → 点出上一轮「要你先问」那句读偏 | 通过：先认 → 列四条 → 点出「需要的时候总还能有人接住你」读偏 |
+| Marilyn Monroe | 通过：先认 → 四条受冲 → 收回「关系质地的问题」「你接不住」两句 | 通过：同上，收回「按远近写、说轻了」 |
+| Judy Garland | 通过：「认下了：这事是我上一轮读偏了」→ 点出「位置和标准」把没做的事包装成贡献 | 通过：先认 → 点出拿 D12 替他说「有支撑」读偏 |
+| Édith Piaf | 通过：「认下」→ 点出把 2 宫同宫读成「日常能碰得着」 | 通过：「是，他没怎么管过你」→ 点出把月亮力量当成在场程度 |
+
+8 / 8 份都先认下、再说哪几条对得上、点名哪句读偏，没有一份为原判断辩护，没有「盘上显示你们关系不错」。要留意的副作用：追问轮会把用户的话反向全部「对上」，例如「9 宫主落 8 宫这种结构，常应的就是……没有落到你身上」「在传统读法里讲的就是这个人不在场」——认错之后又把一条普通配置说成必然，确定性比首轮还高。这是 D4 没覆盖的一面（不辩护 ≠ 全盘附和），记给产品。
+
+### 读出来的东西（给验收和下一单）
+
+1. T1 的「在不在你身边 + 请确认」对缺席的父亲有效，排查记录的 C 类在 5 位缺席 / 送养名人上消失；T2 的「逆行 → 反复」禁句从 7 处降到 0；T3 纠正追问 8 / 8 通过。
+2. 通过线没有达到。主要不是本单的句子写错，而是**受冲门槛太低**：「两个及以上受冲信号」在每张盘、每个领域几乎都成立，T1 又把它接到「第一句就写这一面」，于是对照组的误报从 1 份涨到 15 份，父母都在的泰勒也被写成父亲可能缺席。要压误报，需要产品决定其一：门槛改成「受冲信号明显多于支撑信号」或按信号强度计分；或卡上给出每个领域受冲 / 支撑的计数，让模型对比而不是只数受冲。
+3. 事业题 16 / 18 不是示例造成的。可疑源头按顺序：第二单之后的通用读法（先写受冲）、事业清单第 3 行的「面试 / 正式职位」三层、模型自身对 AL 落 12 宫 / 10 宫主落 6 宫的「幕后」读法。需要另开单，在事业清单里写明 AL 落 10 宫与 10 宫 SAV 高时先说公众性与名声、三层不预设上班。
+4. 健康题的「底子不差」开场仍有 7 份，健康清单「先讲体质底子」可能把开场固定成了对底子的评价；第二单健康清单可加一句「终身受冲信号多时，开场不写底子好」。
+5. 成本：72 份墙钟 1,097 s（并发 6，含 6 份超时），补跑 8 份；单份中位 64 s；输入 3,622,567 token（缓存命中 3,149,952，约 87%），输出 935,849（推理 843,400）；查卡工具 12 次。
+6. 年运 / 时运单领域轮（第二单曾因字数口径不发通用读法）在 10-02 产品决定后已放开，但本回测没有覆盖年运 / 时运领域，效果未测。
+
+## 真机清单（给产品，staging 部署后）
+
+每条都在新会话里问，档案不填性别；看三件事：受冲是不是先说、是不是只请确认一次、有没有预设处境。
+
+1. **父母题**：问「我和父母关系如何，他们怎么对待我？」。看：父亲或母亲盘上受冲多时，那一段第一句是不是「可能不常在你身边 / 有距离」，段末是否只有一句「如果实际情况不是这样，告诉我，我按真实情况重看」；全篇这类确认是否只出现一次；有没有「去问爸爸的意见」「他分量重」这类预设在场的话。**再追问一句**「我爸其实一直都在，挺好的」，看回答是否先认下、不辩护，也不反过来把整盘说成「其实一直很好」。
+2. **婚姻题**：问「我的婚姻和感情会是什么样？」（自己实际已婚或未婚都可以）。看：有没有默认你已婚或有伴侣（「你们之间」「你这段婚姻」）；有没有用「他 / 她」称伴侣；说「可能不止一段」时有没有请确认。如果你的感情实际一直很稳，看它是不是仍写成「可能不止一段」——这是本轮回测里对照组最常见的误报。
+3. **健康题**：问「我的身体底子怎么样，健康上要注意什么？」。看：受冲信号多时开场是不是先说「可能需要长期照看」，而不是「底子不差」；有没有诊断、病名；结尾是否有「不是医疗意见」。
+4. **事业题（补充）**：问「我的事业会往什么方向走，能做到什么程度？」。看：有没有默认你在上班、在找工作（「面试」「升职」「投简历」），有没有不论盘面都写成「专业型 / 顾问 / 幕后」。
 
 ## 成本（一次全量）