# 结构化政策答复与可中断验收

工程实现及离线验证完成；最终同源码两模型均完整执行 13 例，各严格通过 **11/13**，质量门槛未达成。`strict` 对照通过只表示可比，不表示全部用例通过。没有新增未知用量，旧冻结账本保持独立。

## 实现与边界

- `compose_policy_answer` 使用严格的嵌套参数模型，只接受当前用户原话、选证 / 缺口状态和本轮引用标签。可信应用回调读取实际工具历史，验证来源、版本、生效区间、哈希和原文，拒绝模型自带正文、旧轮引用、伪造标签及并行提前结束。
- LangGraph 缓冲模型正文，触发政策契约后压住自由草稿；程序输出完整原文与缺口，完成后停止生成。同一证据只引用一次，后续分项用程序编号回指。无合格提交时降级为明确未确认的答复。程序末尾正文进入 API / CLI、会话历史、trace 和评测可见文本，不产生模型 token。
- campaign 固定源码、模型 / 端点指纹、thinking、超时、费率、语料、夹具和范围。请求前日志落盘并 fsync，每例原子保存报告；关闭分段保存哈希，显式续跑只补上游中断或未执行项，完成的失败不重试。进程锁阻止并发执行。
- 未知用量冻结分段，续跑须显式保留未知费用；即使用例补齐，未知计量仍阻止最终验收。离线模拟已覆盖中断、无结算请求、冻结保留、仅补剩余用例、禁止偷偷重跑失败，以及源码 / 范围 / 模型 / 费率 / 超时 / 证据改变后的拒绝。

这保证来源绑定与原文输出，不是通用语义蕴含验证；模型完全不检索、将条件当问题、混合业务问答仍有边界。使用真实政策原文和受控排名 / 故障，嵌入请求为 0，不等同于真实向量召回或未知问题准确率。详见[运行契约](../../docs/resumable-grounding-evaluation.md)。

## 最终真实结果

源码：`0f230ed609ed4d9990927f4a86ed576a0bc99351fb263ed495fe2b97b6ef52aa`；用例指纹：`9ec9ad5f2bb03902a706152f2ceafdb4e0b4f0c839f701d7996fb1eadfecba0f`。判分 `rag-grounding-structured-3`，每模型按 6 + 7 例显式续跑，已完成 ID 无重复，SDK 重试为 0，请求总截止 60 秒。

| 模型 | 完整执行 / 严格通过 | 请求 / usage | 已知原币种估价 | 门槛 |
|---|---|---|---|---|
| GLM | 13/13；11/13 | 26/26 | CNY 0.017575 | FAIL |
| DeepSeek | 13/13；11/13 | 26/26 | USD 0.008225 | FAIL |

覆盖、执行完整性、源码稳定性、原币种计量、禁止工具尝试均通过；每例七张业务表的前后摘要相同。两模型的失败分别为：

1. GLM 在政策检索不可用与政策失效场景中，没有调用结构化结束工具。程序已按真实状态安全拒答，但缺少有效结束提案，原失败保留。
2. DeepSeek 在政策不可用场景中同样未提交结束工具；无理由退货运费场景将前提条件另列为证据分项，运费本身明确拒答，但该例金标要求只拒答缺失的运费问题，原失败保留。

本助手逐例阅读了两模型保存的 26 份可见正文：未发现此前的无观测订单声明、虚构保修 / 运费或异常生成词；[复核记录](20261019-structured-grounding-visible-review.json)明确标记这不是外部盲审，也不覆盖未知问题。安全降级没有被当成结构化流程成功。下一项修复应把不可用、冲突、失效、无命中后的结束直接交给可信程序，并区分用户问题与背景条件；修复后再单列真实验收，不重判本批失败。

本轮真实请求没有发生模型上游中断；中断路径的证据来自离线故障模拟。政策检索不可用是受控夹具，不是供应商连接故障。

## 判分修正与费用审计

最初结构化 v1 的 4 例均因未引用末尾操作限制而误报失败；v2 的 4 例中 3 例通过，剩余一例把连接词“和”当成独立回答义务。两份原始结果保持不变。v3 以人工标注的实质问题维度检查分项覆盖，增加所有 13 例的拆分正例及漏掉独立问题的负例；必需来源、政策事实和有据 / 缺口金标未放宽。冻结清单：[v1](../rag/20261019-structured-grounding-v1-manifest.json)、[v2](../rag/20261019-structured-grounding-v2-manifest.json)、[v3](../rag/20261019-structured-grounding-v3-manifest.json)。

当前阶段含全部诊断共 **74 次请求 / 74 个 usage**，已知估价 **CNY 0.034445 / USD 0.008225**，分别在事前 CNY 0.04 / USD 0.02 的估价额度内；不是供应商实账或账单硬上限。逐请求用 Decimal 从 trace usage 复算，与独立请求日志及报告一致，报告 / 日志 / trace 哈希核对通过。原有政策索引 SHA-256 保持 `2bfab2cd9255872c49dd102752a3424690e19ff6cb0fe4c5b7980df25137444a`。此前未知费用不核销、不混算，也不追索用户已要求跳过的旧账单。

证据入口：

- [批次计划及阶段预算](20261019-structured-grounding-live-plan.json)、[74 笔用量复算与哈希](20261019-structured-grounding-usage-audit.json)。
- [GLM 最终清单](20261019-structured-glm-campaign-03.json)、[派生完整报告](20261019-structured-glm-campaign-03-summary.md)、[FAIL 门槛](../gates/20261019-structured-glm-final.md)。
- [DeepSeek 最终清单](20261019-structured-deepseek-campaign-01.json)、[派生完整报告](20261019-structured-deepseek-campaign-01-summary.md)、[FAIL 门槛](../gates/20261019-structured-deepseek-final.md)。
- [同源码严格对照](../evals/20261019-structured-final-comparison.md)；初期 GLM [v1 清单](20261019-structured-glm-campaign-01.json)、[v2 清单](20261019-structured-glm-campaign-02.json)，不拼接成功率。

## 离线及界面验证

最终源码全仓 **1031 passed / 21 skipped / 47 deselected**，Ruff 通过；前端 84 项通过，TypeScript / Vite 构建通过（原有大 bundle 提示仍在）。最终源码浏览器演示 3 项通过，覆盖 320 / 1440px 的证据与拒答、补货、草稿恢复与审批；演示使用脚本模型 / 临时库，不替代真实模型结果。Windows 下测试结束后清理了本轮自建演示服务进程，未遗留服务。

新增 API 验证确认：程序答复在 SSE、历史与恢复会话中一致，模型自由草稿不泄漏。没有部署、迁移实际业务库或更改嵌入索引；本轮关闭后不再追加付费调用。