AgentLab

fixtures

合入期 4 整合 J1：双盲复算写业务日期加类型门槛（两边的时间列都在表结构里声明为日期 / 时间类型才写，原因说清是哪一列）；跟上 SQL 差异说明收尾的测试与预览夹具（time_range 改为兜底变体，新增 time_column）；按位置取自另一份快照遮罩列的输入判为无法复算；可验证报告里被改过、解析不出的口径卡按内容认遮罩

2026-10-06 16:23:26 +08:00

bundle_samples.py

可验证报告里有输入取自遮罩列的口径卡只给 id，核对页把它当正常的无法核对

2026-10-06 09:20:29 +08:00

conftest.py

…

test_acceptance_retail_fixture.py

真实模型验收用的虚构零售库：60 天订单截止昨天，埋退款行、下单日和支付日错开、取消单三个口径陷阱，华南每周都高于华东（供反方审稿推翻错话），手机号列供遮罩验收；append_day 给定时任务验收制造「只数据变」；测试守住陷阱确实在、同一天生成的库一样

2026-10-06 11:44:58 +08:00

test_agent_cited_fields.py

…

test_agent_guards.py

…

test_agent_steps.py

…

test_aiosqlite_close.py

…

test_api_messages.py

…

test_approval_default.py

…

test_approval_report_check.py

…

test_approval.py

…

test_autofix_assist.py

…

test_autofix_governance.py

…

test_autofix_graph_defaults.py

…

test_autofix_rules.py

…

test_bubblewrap_probe.py

…

test_bundle_api.py

可验证报告复核修正（第 1 轮）：运行信息拿已核对的事件对照，报告徽标连同数字一起算，遮罩判定宁严勿宽，各分支在浏览器里有确定的检查

2026-10-05 05:30:50 +08:00

test_bundle_build.py

可验证报告里有输入取自遮罩列的口径卡只给 id，核对页把它当正常的无法核对

2026-10-06 09:20:29 +08:00

test_bundle_masked_cards.py

可验证报告复核修正（第 1 轮）：只给 id 的遮罩工件，服务端的文件和 id 对不上的标 mismatch、解析不出来的标 unparsable，核对页对不上的判不通过、解析不出来的照实说认不出是否含遮罩列

2026-10-06 13:43:04 +08:00

test_bus_attach.py

…

test_caliber_from.py

…

test_catalog_api.py

…

test_catalog_draft.py

…

test_catalog_impact.py

…

test_catalog_merge.py

…

test_catalog_patch.py

…

test_catalog_profile_units.py

…

test_catalog_profile.py

…

test_catalog_publish_drift.py

…

test_catalog_render.py

…

test_catalog_runtime.py

…

test_catalog_schema_truncated.py

…

test_catalog_semantics.py

…

test_catalog_store.py

…

test_catalog_terms.py

…

test_challenge_node.py

期 4 复核修正（第 1 轮，后端）：预告组合先算个数再列、上限按每项算，核查 agent 的两个日志代码归类，未能反查的句数守住不多于无法判断

2026-10-06 09:31:00 +08:00

test_claims_prefilter.py

…

test_code_evidence_role.py

…

test_code_output.py

…

test_compare_api.py

运行对比的默认基准（GET /api/runs/{id}/compare/base）带上 previous：基准是不是紧挨着的上一次，取 pick_base 现成算好的那个值，和定时任务自动对比记下的 previous 同一个语义

2026-10-06 16:42:29 +08:00

test_compare_engine.py

运行对比加固（收尾）：区域等维度列设了遮罩时照样拿它核对两次引用的是不是同一批行，说明只写行号、不写值，挤出引用行段的和真的少了分得清，没挪的照常是数据变化；补单格反方向、归因维度按两边各自引用的行认、写入者改了配置时不严格拆分、并行支路查询四处守护用例

2026-10-05 16:41:59 +08:00

test_compare_guards.py

运行对比加固（收尾）：区域等维度列设了遮罩时照样拿它核对两次引用的是不是同一批行，说明只写行号、不写值，挤出引用行段的和真的少了分得清，没挪的照常是数据变化；补单格反方向、归因维度按两边各自引用的行认、写入者改了配置时不严格拆分、并行支路查询四处守护用例

2026-10-05 16:41:59 +08:00

test_continue_run.py

…

test_contract_cells.py

…

test_contract_citations.py

…

test_contract_claims.py

…

test_contract_judge.py

…

test_conversation_status.py

…

test_conversations.py

…

test_copilot_approval_wording.py

…

test_copilot_challenge_guide.py

反方审稿复核修正：没有出处的结论不采信，推荐接法下审批卡有报告，重试和接着跑不重审、不拿旧审稿冒充

2026-10-05 15:08:53 +08:00

test_copilot_claims_default.py

…

test_copilot_context.py

…

test_copilot_entity_guide.py

…

test_copilot_evidence_guide.py

…

test_copilot_merge.py

…

test_copilot_patch_layout.py

…

test_copilot_prompt_evidence.py

…

test_copilot_scope.py

…

test_copilot_selfcheck.py

…

test_copilot_sql_alias.py

…

test_copilot_sqlcheck.py

…

test_copilot_stream.py

…

test_copilot_table_pick.py

…

test_copilot_truncation.py

…

test_custom_tool_draft.py

…

test_custom_tool_schema.py

…

test_datasource_force_readonly.py

…

test_datasource_preview.py

…

test_datasource.py

…

test_datasources_upload.py

…

test_direct_select.py

…

test_dual_check_config.py

双盲复算复核整改：指标自己的筛选范围不再写成有效记录条件，盲算不再看到原流程的列名，差异说明收窄到这一格

2026-10-05 15:54:03 +08:00

test_dual_check_executor.py

双盲复算复核整改：指标自己的筛选范围不再写成有效记录条件，盲算不再看到原流程的列名，差异说明收窄到这一格

2026-10-05 15:54:03 +08:00

test_dual_check_facts.py

双盲复算复核修正（第 1 轮）：业务日期只认带日期的类型、原因按哪一边说清；遮罩列在子查询或 WITH 里改了名不再收窄，交给盲算的分组取值按 SQL 认出取自遮罩列的；按位置取的格点名原因、认不出出处的不写进计算式、不再改变容器输入的判法

2026-10-06 13:42:51 +08:00

test_dual_check_fixture.py

双盲复算复核修正（第 1 轮）：业务日期只认带日期的类型、原因按哪一边说清；遮罩列在子查询或 WITH 里改了名不再收窄，交给盲算的分组取值按 SQL 认出取自遮罩列的；按位置取的格点名原因、认不出出处的不写进计算式、不再改变容器输入的判法

2026-10-06 13:42:51 +08:00

test_dual_check_node.py

双盲复算复核修正（第 1 轮）：业务日期只认带日期的类型、原因按哪一边说清；遮罩列在子查询或 WITH 里改了名不再收窄，交给盲算的分组取值按 SQL 认出取自遮罩列的；按位置取的格点名原因、认不出出处的不写进计算式、不再改变容器输入的判法

2026-10-06 13:42:51 +08:00

test_emit_order.py

…

test_engine_cache.py

…

test_evidence_api.py

…

test_evidence_audit.py

…

test_evidence_challenge_marks.py

证据图的每份报告带上被反方审过的句子 → 判断（challenge_verdicts）：正文据此给被审句子挂句末标记，不逐句请求片段接口；和片段接口的 unit.challenge 共用同一个读审稿的迭代（_reviews），每句取最后跑完、审到了它的那次审稿，审稿记录丢了按产出里列的那几句，节点报错按审完时的日志；一句都没审的报告没有这个键

2026-10-06 12:02:03 +08:00

test_evidence_entities.py

…

test_evidence_entity_chain.py

…

test_evidence_judge_api.py

核查模型的输出额度改为 16384、服务方嫌大时退回 4096，截断照实说：工具循环、收尾的每次调用都看有没有到了上限被截断

2026-10-06 12:58:37 +08:00

test_evidence_judge.py

核查模型的输出额度改为 16384、服务方嫌大时退回 4096，截断照实说：工具循环、收尾的每次调用都看有没有到了上限被截断

2026-10-06 12:58:37 +08:00

test_evidence_legacy_guess.py

…

test_evidence_legacy.py

…

test_evidence_markers.py

…

test_evidence_metric_masks.py

证据接口复核整改（后端）：反方审稿带整份报告的真实计数、跑停运行的审稿照样认得，双盲复算的跳过原因按指标说，遮罩核对不了的宁可多遮

2026-10-06 09:20:09 +08:00

test_evidence_query_catalog.py

…

test_evidence_query_chain.py

…

test_evidence_quotes.py

…

test_evidence_tidy_claims.py

…

test_evidence_unicode_names.py

…

test_evidence_validate.py

…

test_evidence_verify_status.py

证据接口测试跟上期 4 合并：反方审稿节点的产出带着 unreviewed（没能反查的句数），句子的 challenge 照样带上，两条整句比对的期望补上这个键

2026-10-06 11:37:22 +08:00

test_excel_p1_integration.py

…

test_expressions.py

…

test_extract_truncation.py

…

test_fan_in.py

…

test_fixtures_xlsx.py

…

test_gov_wrapup.py

…

test_governance_judge.py

…

test_governance_report_lint.py

…

test_graph_checks.py

…

test_guardrails.py

…

test_health_record.py

…

test_inquiry_api.py

审批质询遮罩收口（第 3 轮复核）：标签列按作用域认取自哪个来源，UNION 另一支、子查询里的遮罩列流进标签列照收；取模、整除、整数相除按算出来的值认；CAST 的类型参数不当边界换

2026-10-06 16:01:28 +08:00

test_inquiry_masking.py

审批质询遮罩收口（第 3 轮复核）：标签列按作用域认取自哪个来源，UNION 另一支、子查询里的遮罩列流进标签列照收；取模、整除、整数相除按算出来的值认；CAST 的类型参数不当边界换

2026-10-06 16:01:28 +08:00

test_inquiry_usage.py

…

test_introspect_broken_view.py

…

test_introspect_constraints.py

…

test_issuance_matched.py

…

test_issuance_positions.py

…

test_issuance_upstream_gaps.py

出具缺口不再把节点类型说两遍：上游缺口的前缀在节点名就是类型叫法时只写一次（「反方审稿：」），双盲复算、反方审稿的缺口正文去掉自带的类型（「推翻了 1 句结论：…」「指标「X」两路结果不一致，审核人选择了盲算结果」）；时间线和报错里那句照旧带主语

2026-10-05 18:45:59 +08:00

test_issuance.py

…

test_judge_entity_sql.py

…

test_judge_provenance.py

…

test_judge_rework_api.py

…

test_judge_rework_engine.py

…

test_judge_rework_grading.py

…

test_judge_settings.py

核查模型的输出额度改为 16384、服务方嫌大时退回 4096，截断照实说：工具循环、收尾的每次调用都看有没有到了上限被截断

2026-10-06 12:58:37 +08:00

test_judge_truncation.py

证据裁判截断的回复整批不采信，截断另记 judge_truncated，时间线的下一步指到换模型

2026-10-06 14:30:15 +08:00

test_kb_progress.py

…

test_kb.py

…

test_layout.py

…

test_lint_contract_report_from.py

…

test_manage_api.py

…

test_markup_leak.py

…

test_mcp_cache.py

…

test_merge_engine.py

…

test_merge_node.py

…

test_merge_provenance.py

…

test_merge_sqlcheck.py

…

test_metric_lineage.py

…

test_metric_value_artifact.py

口径卡给容器型 vars 输入另存完整值（value_artifact），供数字推演重算

2026-10-05 03:26:43 +08:00

test_microvm_kvm.py

…

test_model_budget.py

核查、证据裁判退回小额度时多认两种拒绝，被嫌大过的接入记在进程里

2026-10-06 14:29:48 +08:00

test_model_error.py

…

test_names.py

…

test_nested_loops.py

…

test_net_fake_ip.py

…

test_openai_stream_usage.py

…

test_p3_api_errors.py

…

test_positional_masks_elsewhere.py

双盲复算复核修正（第 1 轮）：业务日期只认带日期的类型、原因按哪一边说清；遮罩列在子查询或 WITH 里改了名不再收窄，交给盲算的分组取值按 SQL 认出取自遮罩列的；按位置取的格点名原因、认不出出处的不写进计算式、不再改变容器输入的判法

2026-10-06 13:42:51 +08:00

test_provenance_acceptance.py

…

test_provenance_api.py

…

test_provenance_contract.py

…

test_provenance_db.py

…

test_provenance_unchanged.py

…

test_provenance.py

…

test_publish_check_api.py

…

test_publish_sqlcheck.py

…

test_query_column_types.py

…

test_query_deadline.py

…

test_readonly_source.py

…

test_recipe_acceptance_p3.py

…

test_recipe_acceptance.py

…

test_recipe_accumulate.py

…

test_recipe_ai.py

…

test_recipe_checks.py

…

test_recipe_compare.py

…

test_recipe_confirm_p3.py

…

test_recipe_confirm.py

…

test_recipe_contract.py

…

test_recipe_diff_p3.py

…

test_recipe_diff.py

…

test_recipe_e2e.py

…

test_recipe_engine_crosstab.py

…

test_recipe_engine_list.py

…

test_recipe_engine_messages.py

…

test_recipe_engine_p3.py

…

test_recipe_fixes.py

…

test_recipe_imports_p3.py

…

test_recipe_imports.py

…

test_recipe_mutations.py

…

test_recipe_notes_p3.py

…

test_recipe_notes.py

…

test_recipe_perf.py

…

test_recipe_select.py

…

test_recipe_suggest.py

…

test_recipe_validate_p3.py

…

test_recipe_validate.py

…

test_recompute_followups.py

推演重算与口径卡共用取整函数，补推演两处测试缺口

2026-10-05 18:50:34 +08:00

test_recompute.py

证据接口复核整改（后端）：反方审稿带整份报告的真实计数、跑停运行的审稿照样认得，双盲复算的跳过原因按指标说，遮罩核对不了的宁可多遮

2026-10-06 09:20:09 +08:00

test_replay_side_effects.py

…

test_report_absence_claim.py

…

test_report_catalog_budget.py

…

test_report_cells.py

…

test_report_claims.py

…

test_report_datetime_display.py

…

test_report_evidence_regression.py

…

test_report_fenced.py

整篇包在 ``markdown 里、中间再套一段一样长的 ``sql 时照样去掉外层围栏：带信息串的一行开、不带的一行收，两两配对。以前一样长的内层围栏一律不去，模型最常见的这种写法仍是 0 句结论，裁判和反方审稿没有句子可审，正式运行照样出具

2026-10-06 13:32:38 +08:00

test_report_judge.py

…

test_report_node.py

…

test_report_schema.py

…

test_report_see_placement.py

…

test_report_sqlcheck_cells.py

…

test_retrieval_quality.py

…

test_review_verify_codes.py

期 4 复核修正（第 1 轮，后端）：预告组合先算个数再列、上限按每项算，核查 agent 的两个日志代码归类，未能反查的句数守住不多于无法判断

2026-10-06 09:31:00 +08:00

test_review.py

…

test_run_append.py

…

test_run_data_versions.py

修好数据版本测试的偶发失败：几条断言靠「第二版的 100 不在报错原文里」证明没改用当前版本，原文里却带着十六进制的随机源名，约五百个名字就有一个含「100」，断言无缘无故变红（和并行、时序、文件句柄无关）；源名改成只有字母，另加一条守住这个约定

2026-10-05 18:45:59 +08:00

test_run_deadline.py

运行时限测试的两处说明对上代码：下游余量那条写剩 239 秒时不再开始（代码查的就是 239），慢写报告那条写明写报告的执行器换成了要 3 秒的替身

2026-10-06 14:32:30 +08:00

test_run_defaults.py

…

test_run_launch.py

…

test_run_options.py

…

test_run_races.py

…

test_run_timing.py

…

test_run_tool_precheck.py

…

test_runs_api.py

…

test_runs_cancel_waiting.py

…

test_runtime_sqlcheck.py

…

test_sandbox_errors.py

…

test_scheduler_compare_guards.py

定时任务自动对比复核整改（后端）：只比成功的运行、按发起先后挑上一次成功的基准、和两边的封存绑定，对比挪到认领之前在锁外做并限时限并发；失败通知的处理行不再重复原因

2026-10-06 08:48:56 +08:00

test_scheduler_compare.py

运行对比的默认基准（GET /api/runs/{id}/compare/base）带上 previous：基准是不是紧挨着的上一次，取 pick_base 现成算好的那个值，和定时任务自动对比记下的 previous 同一个语义

2026-10-06 16:42:29 +08:00

test_scheduler_cron.py

定时任务小修：数字按 isdecimal 认，输入生成失败的原因不再说成模板写错

2026-10-05 08:50:57 +08:00

test_scheduler_flag.py

定时任务后台：三张表、输入模板、调度循环和 Webhook 推送，设置加「通知」一组

2026-10-05 08:37:57 +08:00

test_scheduler_inputs.py

定时任务小修：输入模板的字段名去掉首尾空白再存，后台通知任务的异常记日志

2026-10-05 08:47:18 +08:00

test_scheduler_loop.py

定时任务遗留问题：失败通知不再许诺能继续运行、30 天前的触发停在审批上照样推送、调度循环测试不再依赖整分边界

2026-10-05 18:39:10 +08:00

test_scheduler_notice_rules.py

定时任务自动对比复核整改（后端）：只比成功的运行、按发起先后挑上一次成功的基准、和两边的封存绑定，对比挪到认领之前在锁外做并限时限并发；失败通知的处理行不再重复原因

2026-10-06 08:48:56 +08:00

test_scheduler_webhook.py

定时任务自动对比复核整改（后端）：只比成功的运行、按发起先后挑上一次成功的基准、和两边的封存绑定，对比挪到认领之前在锁外做并限时限并发；失败通知的处理行不再重复原因

2026-10-06 08:48:56 +08:00

test_schedules_api.py

定时运行结束后自动和同一定时任务的上一次对比：结果存成工件记在触发记录上，触发历史和通知只给计数摘要与对比页链接

2026-10-05 18:45:59 +08:00

test_segment_missing_input.py

…

test_settings_notify.py

定时任务后台：三张表、输入模板、调度循环和 Webhook 推送，设置加「通知」一组

2026-10-05 08:37:57 +08:00

test_shutdown.py

…

test_source_versions_api.py

…

test_sql_equivalence.py

SQL 差异说明收尾（第 2 轮）：PostgreSQL 符号运算符和 || 混用不判等价；条件写在聚合里、时间窗口、反连接、经主键定死的列不再说错

2026-10-06 08:10:41 +08:00

test_sql_guard_scan.py

…

test_sql_guard.py

…

test_sql_semantics.py

SQL 差异说明收尾：前缀的 NOT 后面同一段里既有谓词、又有算术 / 拼接 / 按位运算时（NOT status IN (…) * amount），SQLite 里 NOT 最松、sqlglot 读成 (NOT …) * amount，不在语法树上判等价、只给兜底；48 种组合两种方言都不再判等价，常见的 NOT … IN、NOT … = 照样认得出等价改写。模块说明照实列出仍做不到的几类说明准确度问题（Unix 秒的时间列、带 time 的时长列、被函数定死的列）

2026-10-06 09:18:10 +08:00

test_sqlcheck.py

…

test_sqlite_dqs.py

…

test_step_budget.py

…

test_supervisor.py

…

test_table_imports_api_p3.py

…

test_table_imports_api.py

…

test_table_versions_p2.py

…

test_table_versions_p3.py

…

test_table_versions.py

…

test_tabular.py

…

test_team_exhausted.py

…

test_team_live.py

…

test_template_traceable.py

…

test_text_columns.py

…

test_thinking.py

…

test_tool_args.py

…

test_tool_deadline.py

…

test_tool_evidence.py

…

test_tool_trust.py

…

test_transform_json_error.py

…

test_truncated_results.py

…

test_upgrade_assist.py

…

test_upgrade_evidence.py

…

test_validate_repair.py

…

test_validation_text.py

…

test_variables.py

…

test_verify_agent.py

…

test_verify_deadline.py

运行时限测试的两处说明对上代码：下游余量那条写剩 239 秒时不再开始（代码查的就是 239），慢写报告那条写明写报告的执行器换成了要 3 秒的替身

2026-10-06 14:32:30 +08:00

test_verify_labels.py

双盲复算、反方审稿的字段与取值叫法挪到 labels.py：field_label、option_label 按节点类型说「盲算模型」「结论被推翻时」「只标注」这些检查器上的叫法，发布门禁、升级预览不再说成通用的「模型」「启用」；schema.py 照旧再导出，校验和执行器的报错取同一份

2026-10-05 18:45:44 +08:00

test_verify_settings.py

…

test_verify_spend.py

…

test_verify_truncation.py

核查截断的回复一律不采信，触顶原因的先后照旧，截断的建议按模型从哪来的说

2026-10-06 14:30:03 +08:00

test_version_level.py

…

test_web_dist.py

…

test_whatif_api.py

数字推演复核修正（第 3 轮）：决定取哪一格的容器不再给可勾的行段，包着它的引用给了新值时不再说不准

2026-10-05 07:37:02 +08:00

test_whatif_selection.py

数字推演复核修正（第 2 轮，后端）：整个指标推演不了的不改动也照实说，完整值找不回来的数组排除行后不再报「无变化」

2026-10-05 06:49:33 +08:00

test_workflow_delete_guard.py

…

test_workflow_restore.py

…

test_xlsx_cells.py

…

test_xlsx_scan.py

…