docs(bug-history): BUG-1620 / BUG-1621 with the four-round blind eval

Co-Authored-By: Claude Opus 5.5 <noreply@anthropic.com>
Claude-Session: https://claude.ai/code/session_01DbBXoyeZrYn6ryNcSe5Y2Y

docs/BUG_HISTORY.md

@@ -22044,3 +22044,38 @@
 - 关联记录：BUG-1580、BUG-1599、BUG-1603、BUG-1540。
 - 复发自：无（BUG-1580 同一做法用于婚姻、事业）
 - 修复版本：分支 `codex/consult-answer-shape-20261105`（rebase 到 staging `2057538c`），推 staging。
+
+## BUG-1620 | 健康题把重病的人写成「底子不差 / 恢复力强 / 要防的不是大病」：受冲改由服务端数好写在健康段
+
+- 状态：investigating（分支 `codex/consult-health-career-20261105`，未推送；盲评健康严重明显下降，待产品决定是否上线）
+- 首次发现 / 最近更新：2026-11-05（BUG-1603 四轮盲评健康题严重 14 / 12 份）/ 2026-11-05
+- 影响面：`frontend/src/lib/consultation-evidence-card.ts`（spec `pressure` 加 `"health"`，`evidenceCardPressureLine` 加健康分支，健康段 label 下写 `pressure`）、`frontend/src/lib/consultation-condensed-checklist.ts`（健康清单第 1 条、通用读法第 2 / 9 条）。
+- 现象：乔布斯、嘉兰、泰勒、卡罗、琵雅芙、梦露问健康，回答写「身体底子中上 / 不虚 / 扛得住 / 恢复力是你的优势 / 要防的不是大病 / 不是突然出大问题」。
+- 触发条件：问健康；盘上命主、月亮、太阳有入旺、SAV 强或六力分档强。
+- 根因：健康清单要模型自己数受冲、自己避开安慰说法；两轮措辞（含逐字禁「底子不差」）都无效，模型换说法。清单里「力量只用来说恢复从哪里来」被读成「恢复力强」，样例范围「容易累、恢复慢」把压力限在轻的一头。
+- 修复（分支，未上线）：沿用 BUG-1599 的做法与同一个 `evidenceCardPressureSignals`，不另写计数逻辑：身体这条线 = 1 宫、命主、太阳、月亮（太阳 / 月亮落 6、8、12 也算），⑤ 用 D6。6、8、12 宫不单独作为一条线计数（凶星在 6 宫、6 / 8 宫主落 6、8、12 在古典读法里是保护，通用计数会读反）。≥2：依据标为分析用、不念条数；这条线压力重；盘分不出落在多重的事上，从日常消耗到需要就医处理都在范围内，用自己的话说一次；不写体质结实、经得起耗、恢复快一类意思（换说法也算），不断定轻重；入旺、SAV 强、六力分档强不抵消、也不拿来说恢复好；每段说要留意什么、什么时候、什么情况持续或反复出现就去检查；不诊断、不说会得什么病。1：补一句；0：不写压力。清单去掉样例范围、「底子不差」禁句与「力量只用来说恢复从哪里来」，改为指向卡上 pressure。指令字数：健康清单 332 → 278，通用读法 820 → 826，新增健康 pressure 句 233 字 + 依据（2–8 条）；回测健康卡 10.5–11.0k → 10.7–11.2k 字符。
+- 验证：`tests/consult-pressure-lines-20261104.test.ts` 扩为 7 条（三张 golden 盘健康信号逐条：奥巴马 3、泰勒 4、乔布斯 3；只在父母 roles、婚姻段与健康段且紧跟 label；健康 0 / 1 / ≥2 措辞；健康句不含「底子 / 不是大病 / 扛得住 / 不虚 / 中上 / 恢复力 / 大问题 / 大病 / 小毛病」；不含出生资料、长度上限）；`consult-answer-shape-20261105`、`consult-no-presupposition-20261001` 按原值 / 新值 / 原因更新。咨询相关测试 583 / 583 通过（另加 4 条后全过）；`npx tsc --noEmit -p .` 通过；全量 `CI=1 npm test`（带 swisseph）基线与本分支失败清单相同（25 条 docker / PostgreSQL / rsync 环境失败）。
+- 盲评方法：基线 = staging `928aa5c6`（独立 detached worktree），NEW = `82525715`；同一 golden、同一命令（deepseek-flash，并发 4，单一 runner）；事业 + 健康 9 人 × 2 份 × 4 轮 = 每臂 144 份，父母 + 婚姻 9 人 × 1 份 × 2 轮 = 每臂 36 份（对照）；中途会话中断后只补生成缺失答案，基线第 2 轮 4 份接口 provider_error 单独重跑。打乱、隐藏版本，沿用 BUG-1603 评分说明；重评 126 份（35%），判定一致 106 / 126 = 84%，严重或误报 kappa 0.61；另一轮盲标注（体质安慰、说出就医条件、名气封顶 / 抬高、分量 / 稳定、无范围距离、以年轻为前提、对用户交代规则）；盲配对可读性 180 对；bootstrap 10 000 次，按 36 个题（人 × 题型）配对。
+- 结果（健康，BASE → NEW）：严重 15 → 1（−14，95% CI [−24, −5]）；通过 55 → 71（+16，CI [+7, +25]）；误报 0 → 0（奥巴马、齐达内对照组 0 / 16）；体质安慰（盲标注）71 → 25（CI [−55, −37]）；说出什么情况该去检查 45 → 72（全部 72 份）；可读性评分 3.83 → 3.82（CI [−0.17, +0.14]）；配对可读性 NEW 胜 30 / 72 = 41.7%（CI [27.8%, 54.2%]）。逐人严重：泰勒 4 → 0、卡罗 4 → 1、嘉兰 4 → 0、乔布斯 2 → 0、琵雅芙 1 → 0。正则：恢复力 23 → 0 份，扛得住 14 → 6，不是大病 2 → 0，「底子」35 → 44 份（用户原问就是「身体底子怎么样」）。念出条数 3 → 1。
+- 已知副作用 / 未解决：仍有 25 / 72 份带轻一类说法（「这类事不太会一下闹大」「这并不说明有病」），多数未被判严重；对用户交代限度的句子 16 → 56（「盘分不出来，我也不替你猜」「这条线上的压力是偏重的」被说成规则口吻）；配对可读性略偏向基线（不显著）。
+- 防复发：模型不肯执行的计数与边界由服务端写在卡上；健康句不出现任何安慰说法的原词（含否定）。
+- 关联记录：BUG-1599、BUG-1603、BUG-1540、BUG-1176、BUG-1165。
+- 复发自：BUG-1603（健康题遗留项）
+- 修复版本：分支 `codex/consult-health-career-20261105`，`82525715`（基于 staging `928aa5c6`），未推送。
+
+## BUG-1621 | 事业题把名人写成「名气有限、不在台前、被一小圈人认」：规则里的「要经手、要绕路、来得晚」被接到名声上
+
+- 状态：investigating（分支 `codex/consult-health-career-20261105`，未推送；严重下降不显著，模型改写成「不在台面上」，需下一步）
+- 首次发现 / 最近更新：2026-11-05（BUG-1603 盲评事业题严重 26 / 28 of 36）/ 2026-11-05
+- 影响面：`frontend/src/lib/consultation-thinking-plan.ts`（`CAREER_FIELD_ASK_RULE`）、`frontend/src/lib/consultation-condensed-checklist.ts`（职业清单 AL 一条）。
+- 现象：总统、球星、影星的事业回答写「名头那部分偏薄」「被一小圈人认」「再往名望那一层支持就薄了」「不靠曝光」「上限在中上」。
+- 触发条件：问事业；A10、AL、太阳或 10 宫主落 4、6、8、12 宫，或 AL 宫主受冲。
+- 根因（从答案确认）：`CAREER_FIELD_ASK_RULE` 给 A10 / AL / 太阳 / 10 宫主落 4、6、8、12 的释义「要经手、要绕路、来得晚」被逐字写进回答（BUG-1603 基线 8 / 36、NEW 10 / 36 份连用三词），并接到 AL / A10 上推出「名声来得晚、要经手」「再往名望那一层支持就薄了」；职业清单「AL……说明名声和外界印象这条线有没有力量」把 AL 当成名声大小的刻度（「名头那部分偏薄」「声量不是这条线的长处」）。用户问「能做到什么程度」，规则没说盘看不出名气和位置的大小，模型给出封顶。
+- 修复（分支，未上线）：规则改为这几处落宫只说要多费的力或代价，不翻成名气或台前幕后；名气、能见度、地位、规模有多大盘分不出，往高往低都不写，问能做到什么程度也只答撑力、阻力和时间；去掉可照抄的「（要经手、要绕路、来得晚）」与「不在台前」等六个引号短语。AL 一条改为「读法同第 1 条」。字数：`CAREER_FIELD_ASK_RULE` 306 → 306，职业清单 900 → 877。
+- 验证：`consult-upstream-functional-v2-20261002` 按原值 / 新值 / 原因更新，并断言规则与职业清单不含「经手 / 绕路 / 来得晚 / 名声和外界印象这条线有没有力量」。测试与全量结果同 BUG-1620。
+- 盲评（同 BUG-1620，事业每臂 72 份）：严重 43 → 36（−7，CI [−16, +3]，不显著）；通过 29 → 36（CI [−3, +16]）；名气封顶（盲标注）62 → 56（CI [−15, +2]）；抬高名气 0 → 0；可读性 3.53 → 3.60（CI [−0.07, +0.21]）；配对 NEW 胜 39 / 72 = 54.2%（CI [44.4%, 63.9%]）。正则：经手 59 → 3 份、绕路 16 → 0、来得晚 13 → 0、名声 44 → 10；但「名气」0 → 35 份（「名气和规模盘上分不出，我不往高往低说」），「台前」0 → 4。NEW 剩下的严重多是「不在台面上 / 不在台前被看见 / 不是靠声势」一类公众 / 幕后断言（36 份里约 25 份），而不是名气大小；逐人：琵雅芙 7 → 4、乔布斯 6 → 4、卡罗 2 → 0，梦露 4 → 7。对用户交代限度的句子 46 → 124（「盘看不出名气，我也不往高往低说」）。
+- 已知副作用 / 未解决：删去「不翻成「不在台前」「不在台面上」……」引号清单后，「台面 / 台前 / 看不见的阶段」一类说法成为剩余严重的主体；规则里「名气……往高往低都不写」被模型说给用户听。下一步候选：服务端在事业段写一句（同 pressure 做法）说明公众 / 幕后与名气大小不在盘上，并且不对用户提及。
+- 防复发：规则里的释义括号同样会被照抄（BUG-1165 / BUG-1540）；规则只写怎么做，不写可复述的判断词。
+- 关联记录：BUG-1176、BUG-1603、BUG-1599、BUG-1540、BUG-1165。
+- 复发自：BUG-1176（事业落宫被翻成幕后 / 名气的同类现象）
+- 修复版本：分支 `codex/consult-health-career-20261105`，`82525715`（基于 staging `928aa5c6`），未推送。