# 微型基准（真实网关）
用真实网关（systechn，局域网 `192.168.11.104`，Qwen3.6-35B）在独立 worktree 上跑编码任务，人工判定。
与 `scripts/smoke-real.sh`（冒烟：验证"能跑通"）互补——基准验证"能干活"。
## 运行
```bash
cargo build --release
./scripts/bench-real.sh # 全量 T1-T5
./scripts/bench-real.sh --only 3 # 单个
```
每个任务从基准快照（detached worktree + git 重置）开始，结果在 `target/bench/<序号>_<任务名>/`：
`output.log`（模型会话）、`diff.txt` / `patch.diff.gz`（改动存档）、`verify.log`（worktree 现场 cargo test + clippy）。
判定 = 人工：改动是否达成任务语义 + verify 是否全绿。
## 任务集（T1-T5）
| 1 | repl_history | REPL 命令历史持久化（sessions_dir/history，0600，load/append） | test 全绿 + clippy 零警告 |
| 2 | budget_boundaries | compact_messages 边界分支补测（5 种） | test 全绿 + clippy 零警告 |
| 3 | error_log_escalate | 会话 append 首错 error 后续 warn（不刷屏） | test 全绿 + clippy 零警告 |
| 4 | task_md_checkpoint | 系统提示增加 .hey/task.md 长任务检查点指导 | test 全绿 + clippy 零警告 |
| 5 | args_debug_log | parse_args 调用点 debug 日志 + 失败路径测试 | test 全绿 + clippy 零警告 |
历史：T6（git 工具）为 dogfooding 任务，产出已删（见 DESIGN §11.5 工具生态设计原则）。
### 泄漏事件记录（2026-08-19）
T3 第一次运行时（timeout 终止）产物泄漏到主工作区（`src/sessions.rs`，含 ERROR_LOGGED + 测试）。
机制未完全复盘（首次日志已删）：timeout 终止后模型进程可能成孤儿继续写入。处置：
- 泄漏产物即 T3 任务合法成果（功能正确、verify 全绿），已落地提交为 feat
- bench-real.sh 加三层防护：trap 杀残留模型进程 / 跑前主工作区必须干净 / 每任务后污染检查
## 结果
### 2026-08 回归轮（输出过滤重构后，commit a287cda）
重构（删去重/错误块/落盘回溯）后重跑，验证过滤重构是否影响任务表现。
| 1 | **失败** | 编译错 `cannot find hey in hey` ×18 | 模型把 `hey::` 全局错误替换为 `hey::hey::`（18 处）——35B 过度自信的全局替换失误，与过滤重构无关（重构前本任务通过） |
| 2 | 通过 | cargo test 168 全绿 | — |
| 3 | 通过 | cargo test 全绿 + clippy 干净 | 实现：`ERROR_LOGGED` 静态 + 首错 error 后 warn |
| 4 | 通过 | cargo test 全绿 + clippy 干净 | 系统提示含 task.md 指导（Goal/Completed/Decisions/Remaining） |
| 5 | 通过 | cargo test 全绿 + clippy 干净 | parse_args 调用点 debug!(tool, args_len) + 测试 |
**回归结论：4/5 通过；T1 失败为模型随机失误（非重构回归）。**
输出过滤重构（删全局去重 / 错误块 / 落盘回溯）对任务表现无负面影响——重构前同样 5/5 通过（T1-T5 @ d436f97 前），本轮失败点（hey:: 全局替换）属 35B 的已知失误模式。
### 已知失败模式（35B）
- **过度自信的全局替换**：`hey::` → `hey::hey::`（T1 本次失败）——prompt 里"直接动手"纪律对替换类操作约束不足；后续可在任务 prompt 中加"禁止全局文本替换，改动前先读上下文确认路径语义"。
- **调研消耗 turns**：早期任务在探索阶段耗尽 max_turns（prompt 已加"只读必要文件、禁止反复探索"约束缓解）。