# 写入可靠性：问题、修复与交付

2026-10-05，按“入口/生命周期 → 执行证据 → 幂等/并发 → 回归展示”实施。
保持手写 loop、SQLite、20 个工具。实施清单见
[计划](plans/2026-10-05-write-reliability.md)，事务决策见 [ADR-0007](adr/0007-write-reliability.md)。

## 改变了什么

| 触发情形 | 原问题 | 当前行为与证据 |
|---|---|---|
| CLI/API 启用写工具 | 提示词仍宣称不能写 | 按实际 Tool.risk 选择提示词；入口 HTTP mock 回归 |
| 决策、取消、断连 | waiter / 并行任务残留 | 释放审批、关闭下层生成器、回退未完成会话；AnyIO 取消回归 |
| 审批请求失效或网络失败 | 前端可能认为提交成功 | 校验 HTTP/ok，防重复提交，显示错误并允许重试 |
| 模型说“执行成功”但业务报错 | 名字/文本检查仍可能过 | 保存参数和工具结果，查成功次数与准确业务状态 |
| 写评测共享数据库 | 上条修改污染下条 | 每条临时 seed，拒绝路径四张业务表不变 |
| 写提交后响应丢失 | 自动重试重复变更 | 持久化 token 与结果，同次执行重放首次结果 |
| 并发库存增减或建单 | 丢更新、超卖、序号冲突 | BEGIN IMMEDIATE 在读取前加写锁；独立连接并发测试 |
| 低库存/畅销榜/日销量成功查询 | 返回 list 与 dict 输出声明冲突 | items/returned 对象返回；真实 MCP 调用回归 |

最后一项由真实模型全量评测暴露。诊断运行在修复前中止，相关 trace 留在
`traces/evals/`；不能把其中工具报错后的 PASS 当作有效成功率。修复后重新跑
统一 35 条，checkpoint 保留所有失败、尚未执行项与估算成本。

## 如何复核

- `uv run pytest`：离线测试，默认不调用真实模型。
- `uv run ruff check .`：Python 静态检查。
- `apps/web` 下 `npm test` / `npm run build`：审批提交契约与生产构建；CI 同步执行。
- `uv run python scripts/demo.py`：独立临时库四场景，trace 与 summary 在 `traces/demo/`。
- `uv run python scripts/demo.py --serve`：生产前端 + 真实 API/MCP/审批，模型脚本化。
- `uv run python -m evals --budget 0.1 --timeout 30`：真实模型 35 条，共享预算、固定范围。

本次离线四场景实测：A1001 报价不变更库存；批准 130→135；拒绝 130→130；
库存不足后查库存恢复，130→130。全部状态断言通过。这些是确定性工程链路证据，
不能替代真实模型行为评测。

真实模型完整基线：[20261005-142553-dcc830](../reports/evals/20261005-142553-dcc830.md)：
35 条全执行、34 通过；写拒绝与审批 6/6，估算成本 ¥0.0308，耗时 1255 秒。
只读任务第一条有两次重试，计量不完整 1 条。运行期间源码未改变；开始时为
未提交工作区，报告保留原 HEAD 与源码哈希，随后按阶段提交。

唯一失败 edge-08：模型在工具调用前列出合法状态，随后自行把“已退货”近似为
“已退款”查询；最终文本只有退款清单，现检查判为失败。检查只看最终轮文本，
其枚举子串列表还未包含合法“已退款”，因此不把这次失败简单归为工具错误或
模型完全未解释。原失败保留，下一次需明确“不得擅自替换筛选条件”和分步解释
的判分口径，再校准标注；不能用补一个子串的方式追求 100%。

这份报告对应本轮运行的工程实现，不是所有回答数字准确的人工验收；程序化
检查仍有局限。此后只补了 CI 默认配置和注释/文档澄清，未改变运行逻辑。

## 仍需要开发的下一阶段

1. 先持久化任务、审批、调用 token 与工具结果。验收：在审批前/提交后/回答前
   分别重启，不丢状态、不重复写；旧审批链接失效行为明确。
2. 定义断连恢复：已批准但业务提交结果不明时按 token 查询结果，再继续回答。
   会话历史回退不能撤销已提交操作，这一边界必须在恢复 UI 中解释清楚。
3. 上线前补身份认证、会话/审批归属和 TTL、审计记录，再做部署与故障演练。
   当前计划是单用户 demo，这一步需更新范围 ADR 后实施。
4. 再评估 LangGraph / PostgreSQL 是否能减少手写恢复复杂度，并以同一验收集
   比较。先补恢复能力，避免用换框架代替可靠性证据。

报价/库存/订单可复核、拒绝有零变更证据、写重试有数据库语义，是本轮的项目
价值；持久化恢复和生产访问控制还未完成，不把工程原型称为生产就绪。