浏览器评测证据绑定实现后的运行与代码快照

[mindcarver]

结果

浏览器评测证据绑定实现后的运行与代码快照。

用户问题

浏览器记录只校验字符串，缺失文件也可通过；证据在实现前加载。

产品追溯

• 权威：当前对话批准的审计建议，v0.16.0 基线。
• PRD / FR：不适用，既有插件修复。

项目协调

• Initiative：优化首批：绑定评测证据、验证安装载荷并修复连续性误拦 #83
• 节点：browser-evidence
• 图版本：1
• 依赖：无
• 契约：APPROVED
• 当前图状态：READY

范围内

evals/thinloop/**、tests/thinloop-current-eval.test.mjs、EVALUATION.md

范围外

其他审计建议、权限/生产配置、全模型 benchmark 和无关重构。

已确认决策

保留自主交付和独立验收；采用上述最小修复；结果不表示真实模型整体增益。

方案确认

• 需要确认：否
• 状态：默认免确认；当前对话已授权实施。

失败与边界场景

已知反例及缺失证据不可提升为 PASS。

验收条件

• A1：实现完成后再采集/导入浏览器证据，并绑定精确 runId、case、condition 和实现代码快照；旧记录或跨运行记录拒绝。
• A2：证据产物必须存在且内容哈希匹配；变更产物或实现后证据失效；缺少真实浏览器记录保持 BLOCKED。
• A3：支持有明确步骤的先实现、后采集、再评分路径；离线重评分使用冻结证据，不能跳过校验。
• A4：真实浏览器在修复后的 fixture 完成 Save 交互，观察 Saved Ada，保存并校验证据；负例覆盖缺失/过期/错运行/错条件。

实施方案

先写针对性失败用例，再修改实际检查路径，并同步直接耦合文档。

实施任务

• T1：复现并补回归用例。
• T2：最小实现及直接耦合文档。
• T3：完整工程检查、独立验收、PR、合并及清理；适用时刷新安装。

验证与最终完成审计

• A1/A2/A3/A4：PASS。独立真实Chrome交互Save→Saved Ada、截图与trace复核、实际导入与冻结；15个负例拒绝，移除fixture后离线重评分PASS。完整215/215与精确head CI通过。
• T1/T2/T3：DONE。
• PR：修复浏览器评测证据的实现后绑定与离线复验 #89 MERGED，验收head 037427e；合并提交 f626d59。
• 精确差异：仅8个授权evals/tests/docs文件。页面证据见独立验收评论；未修改产品fixture源码。
• main：本地与origin/main同步为上述合并提交，包含独立验收head（祖先校验通过）。
• 安装处置：没有安装载荷修改，不要求刷新。
• 清理：Execute已删除任务工作树thinloop-84-browser、本地和远端codex/84-browser-evidence；无任务连续性文件。
• 剩余阻塞：无。
• 证据边界：真实浏览器测试证明fixture流程和证据导入；未运行真实模型benchmark，哈希不独立证明动作真实性。

[mindcarver]

候选完成审计（待独立验收）

候选提交：f7730468c13b8d83dc055013aec1151fdb91eb0c，分支 codex/84-browser-evidence。

验收闭合：

• A1：工程验证 PASS。实现前门禁已移除；实现后的 observation 保存 runId/代码快照/时间，再导入 v2 证据。旧格式、错运行/条件/代码哈希与过期记录回归均拒绝。
• A2：工程验证 PASS。产物存在、非空、目录边界和实际 SHA-256 必须通过；代码或产物变化变为 BLOCKED，缺少真实浏览器记录保持 BLOCKED。
• A3：工程验证 PASS。CLI 实际演练先生成实现 observation，再导入并冻结，再移除 fixture/输入文件后离线复验；篡改冻结记录或文件仍 BLOCKED。文档提供两步 CLI 和 JSON 示例。
• A4：工程验证 PASS。真实 Chrome + Playwright 打开临时修复后的 fixture，填写 Ada、点击 Save，观察 Saved Ada；1280×800 截图可见 Name/Ada、Save、Saved Ada，控制台错误与失败请求为 0。实际导入、冻结和重评分 PASS。

证据：/tmp/thinloop84-live-WxXxPe/capture/{evidence.json,save.png,trace.zip}；冻结记录 browser-evidence/browser-form-acceptance--native/evidence.json；rescore.json 为 PASS。首次服务器 favicon 404 的记录如实 BLOCKED，修正临时服务器响应后重新完整采集。浏览器、静态服务器已关闭。该本地证据可供独立验收复核，不作为新模型 benchmark。

实施账目：T1 DONE；T2 DONE；T3 正在进行（工程检查与 PR 完成后仍需独立验收、合并和清理）。

交付状态：8 个文件均属于授权 evals/tests/docs 范围；完整测试 200/200，版本/路由/全部评测定义/两个 dry-run/图表/Claude strict 通过，git diff --check 通过。无产品页面代码变更，A4 的真实 fixture 验收已完成。独立验收待完成；CI 待完成；合并版本待确认。未修改安装载荷，无需刷新。

清理所有者：父 Execute。工作树 /Users/carver/workspace/mindcarver/.worktrees/thinloop-84-browser、本地/远端 codex/84-browser-evidence 保留待验收；main 同步与资源删除待父处理；连续性状态不适用。Issue 继续开放。

[mindcarver]

独立验收 PASS（更新后的主干基准）

精确 head 037427e / base 18dbe32。新上下文验收者亲自通过 Chrome/Playwright 输入 Ada、点击 Save、观察 Saved Ada，检查 screenshot 与 trace 的 goto/fill/click/innerText，记录导入后 PASS。独立 CLI 16 个场景（15 个拒绝、1 个移除临时fixture后的离线 PASS）验证绑定/过期/错条件/代码及产物变更。完整 215/215 测试与本地所有 CI 命令、远端精确 head Thinloop CI PASS。
证据：/tmp/thinloop84-independent-UzpxC7/capture/save.png、trace.zip、evidence.json；/tmp/thinloop84-independent-negatives.json、/tmp/thinloop84-independent-negatives.mjs。A1-A4 PASS。哈希证明绑定和完整性，本次动作真实性另由独立浏览器直接观察；不代表模型 benchmark。合并/清理待父完成。