窗口 G-2 补充报告：评测缺口修复（declared 注入 + 规则平台键放宽 + 重评）
日期：2026-08-16（窗口 G-2） 性质：对窗口 G 真实评测的修复与重评（零成本——只跑本地审计引擎 + 已有运行产物， 不重跑 Agent、不手工编轨迹） 宪法：
docs/protocols/agent-eval-protocol.md（v1.0 + §4.1 declared 修订，本报告为 G-2 补充） 对应验收：execution-plan-v1 §六.十二 G2-a/b/c/d（13 项，本窗口已冻结） 主报告（旧版留档）：docs/migration/agent-eval-report.md（窗口 G，2026-08-16，不修改结论） CI 状态：GitHub Actions 双矩阵（3.10/3.12）全绿（push 0150a53，run 31891058554）
1. 背景与问题
窗口 G 真实评测链路全通（M1×M3 20/20 一致，成本 ¥2.55），但分数全 L-1 不可用：
规则 required_context 硬依赖 sequencing: 10X_scRNA_seq，采集三级可信源均拿不到
→ 键 unverified → 规则不匹配 → 全部”无法评估”。暴露规则层与采集层的接口缺口
（agent-eval-report.md §7/§8 修复清单：declared 注入 + 规则平台键评估）。
分水岭事实（G2-b 项 5，查证定案）：GSE115978（Jerby-Arnon 2018, Cell, PMID 30388455）
为 Smart-seq2（GEO 官方 Overall design 原文：”profiled with a modified full length
SMART-Seq2 protocol”）——因此 declared 注入 10X_scRNA_seq 是错的；正确做法 =
declared 注入 smartseq2 + 规则平台键放宽接受 smartseq2。查证过程与存档见
docs/migration/G2b-platform-key-review.md §1。
2. G2-a：declared 上下文注入（采集层）
四级可信源定稿：call_arg > data_metadata > declared > unverified。
| 项 | 内容 |
|---|---|
| declared 来源定义 | 只允许来自评测者/数据事实——运行宪法/评测配置注入（如数据集平台）；与 Agent claim（M1 声明）严格区分：Agent 上报的键永远不进 declared（纪律 1） |
| 链路落地 | M3Parser(declared=...)（已有参数，语义修订为评测者注入）；make_cellvoyager_hook(declared=...)（hook 链路）；CLI parse-notebook --declared（已有）+ cross-validate --declared（本次新增） |
| missing 交互 | declared 提供 schema 键 → 该键进入 context（context_trust=declared），不再 unverified（G2-a.2） |
| 信任排序守卫 | declared 不能覆盖 call_arg/data_metadata（严格排序，禁止跳级） |
| 声明文件（重评用） | cellvoyager-outputs/reports/gse115978_declared.json：{"sequencing": "smartseq2", "data_category": "raw_counts"}（含来源注记，评测者署名） |
| 测试 | tests/test_declared_eval.py 12 项：declared→规则匹配（验收项 3 直接测试）、缺键仍 L-1 回归守卫、10X 仍命中、信任排序、unverified 清除、CLI 接线 |
验收项 3 实测：qc_filtering + declared sequencing=smartseq2 → Q1.1-QC-001 匹配 → L1
（此前同输入为 L-1 无法评估）。
3. G2-b：规则平台键审查 + 修订（B5 三闸 + semver）
审查报告（22 条 scRNA 规则逐条判定）：docs/migration/G2b-platform-key-review.md。
汇总：过强放宽 17 条（sequencing 16 条 + N1.1 data_category 1 条）；D1.1 双联体
保留 10X 专属（纪律 5：双联体是液滴平台问题，Smart-seq2 板式 FACS 分选无此前提）；
无平台依赖 4 条（A1.1-API + S1.x 一致性族）不动。
| 修订 | 内容 |
|---|---|
| 规则 YAML | 17 个文件：sequencing: [10X_scRNA_seq, smartseq2]；N1.1 追加 data_category: [umi_counts, raw_counts]（Smart-seq2 全转录本 = raw_counts） |
| 引擎 | required_context 列表 = any-of 语义（RuleRegistry，engine 0.2.0 → 0.2.1） |
| 采集配套 | sc.tl.leiden/louvain 签名 context_fixed: {graph_type: SNN}（工具定义语义，C1.1 真实前置条件在采集层可提取） |
| ruleset | 1.1.1 → 1.2.0（generate_manifest 重算 43 文件哈希；17 个规则文件哈希变更记入 golden asset_manifest change_log，18 条） |
| B5 三闸 | bio-audit ruleset-validate：清单 PASS / 冲突 PASS（0）/ golden PASS（0 差异） |
| golden 漂移 | 0 差异，基线未更新，C4 未触发——放宽是纯加性（20 轨迹 137 决策全用 10X/umi_counts，命中集合逐决策不变）；若未来轨迹用 smartseq2/raw_counts 将从 L-1 变为可评分，属预期行为变化（G2-c 已验证） |
4. G2-c：重评（用已有真实运行产物，不手工编轨迹）
方法（零成本）：cellvoyager-outputs/scripts/analyze_run.py（窗口 G 原分析脚本，
新增 --declared 与 --no-verdict-store 参数）对既有产物重跑——
① 重解析运行 notebook（GSE115978_melanoma_analysis_1.ipynb，19 cells，未改动）；
② 从 WAL/verdicts 重建 M1 声明（20 条，未改动）；③ 交叉验证（四类判定）；④ 重建
final 轨迹（M3 事实 context + declared）→ run_audit 打分。不重跑 Agent（省钱），
不手工编轨迹（纪律 4）。原 final_trajectory_v2.json 已备份
（cellvoyager-outputs/backups/final_trajectory_v2_pre_g2.json，SHA256
C54E76E22321B0A482B41DC9FE410FFCBDE65EB4A35E53209331BBF6AE12F960）。
结果（报告：cellvoyager-outputs/reports/windowG_reeval.json）：
| 指标 | 窗口 G（修复前） | G-2 重评（修复后） |
|---|---|---|
| trajectory_score | 0.0（全 L-1 占位） | 30.0 |
| eval_verdict | needs_correction（占位） | needs_correction（有效） |
| L4/L3/L2/L1/L0/-1 | 0/0/0/0/0/20 | 0/1/0/7/0/12 |
| 交叉验证 | 一致 20 / 虚报 0 / 漏报 0 | 一致 20 / 虚报 0 / 漏报 0（不变） |
| 维度分 | — | data_handling 0.300 / method_selection 0.575（最低维主导 → 30.0） |
8 条有效评分逐条（L0/L1 清单）：
| step | 决策类型 | choice | level | 规则 |
|---|---|---|---|---|
| nb01-clustering_method | clustering_method | Leiden | L3 | C1.1-CLUS-001 |
| nb01-qc_filtering ×4 | qc_filtering | hard_threshold | L1 | Q1.1-QC-001 |
| nb01-scRNA_normalization ×2 | scRNA_normalization | LogNormalize | L1 | N1.1-NORM-001 |
| nb08-annotation_method | annotation_method | manual_marker | L1 | A1.1-ANNO-001 |
L-1 清单（12 条，如实归因）：immune_correlation_method ×12（Spearman）——
规则覆盖缺口：scRNA 规则集不含该类型（本体 paradigms=[pan-cancer]，范式隔离设计
ontology-design §二.1）；declared 齐全也无法评分。非 context 缺口、非 Agent 质量结论。
与 demo 时代 CellVoyager 结果对比（29 分 5 L0）
| 口径 | demo 时代（scrna_melanoma_cellvoyager，12 决策） | G-2 真实运行（20 决策） |
|---|---|---|
| 分数 | 29.0 | 30.0 |
| L0 | 5（no doublet / no batch / cell-level DEG 伪重复 / PCA arbitrary / …） | 0 |
| L1 | 有（如 hard_threshold QC） | 7 |
| L3 | 部分（如 Leiden） | 1 |
| verdict | blocked（含 L0） | needs_correction |
差异解读（如实，不夸大）：
- 方法学取向不同：demo 轨迹是”12 步完整管线”（含双联体/批次/DEG 环节），5 个 L0 全是”跳过关键步骤”；真实运行 max-iterations=5 的 5 步分析聚焦 QC→注释→免疫相关， 未进入双联体/批次/DEG 环节——没有 L0 不等于没有风险，而是决策覆盖范围更窄 （免疫相关 12 步在 scRNA 范式下无规则可评）。
- QC/归一化/注释三处 L1 与 demo 同款：hard_threshold（固定阈值）与 LogNormalize 在两代评测中均被评为”有风险”——规则体系跨 demo/真实运行一致（信度证据）。
- Leiden 在两侧均为 L3（当前标准算法），与规则设计一致。
- 分数相近（29 vs 30）是巧合口径，不可直接比较：决策数不同（12 vs 20）、 L-1 占比不同（demo 0 vs 本次 60%）、最低维主导聚合机制不同；唯一可靠对比维度是 L0/L1 计数与规则命中（如上表）。
- demo 时代的 5 个 L0 中 3 个（no doublet/no batch/cell-level DEG）在本运行中 根本不构成决策点：Smart-seq2 无双联体前提（D1.1 10X 专属）、单样本 FACS 分选 无批次整合环节、未做 DEG。这是平台事实查证（§1）带来的评测范围差异。
5. G2-d：回归
| 闸 | 结果 |
|---|---|
| pytest 全量 | 234/234（222 既有 + 12 新增 declared/平台键测试） |
| golden 重放 | 0 差异（20 轨迹 137 决策；基线未更新，C4 未触发） |
| ruleset-validate 三闸 | 清单 PASS / 冲突 PASS（0）/ golden PASS |
| validate-ontology | PASS（冲突 0） |
| benchmark-validate 四闸 | taskset / contamination / coverage / golden 全 PASS |
| reward-validate 五闸 | PASS |
| ruff | 新增/修改代码零错误 |
| 60 任务集全局影响（benchmark-run，v1.1.0） | 与窗口 G 基线逐项一致：mean 0.5528（CI [0.4818, 0.6218] 同）、recall 0.820 / F1 0.781 / precision 0.745、edge 检出 0.667、gap Δ=0.046（区间内无告警）——放宽对任务集零影响（纯加性最强证据） |
执行计划快照：docs/specs/2026-08-13-execution-plan-v1.md §六.十二 13 项逐项打勾（G-2 完成标记）。
6. 产物清单
| 产物 | 路径 |
|---|---|
| G-2 补充报告（本文件） | bio-audit-v2/docs/migration/agent-eval-report-g2.md |
| 平台键审查报告 | bio-audit-v2/docs/migration/G2b-platform-key-review.md |
| declared 测试 | bio-audit-v2/tests/test_declared_eval.py（12 项） |
| 规则修订（17 文件） | bio-audit-v2/src/bioaudit/rules/data/scRNA/*.yaml（ruleset 1.2.0） |
| 引擎修订 | bio-audit-v2/src/bioaudit/storage/rule_registry.py（any-of）+ capture/signatures.yaml（graph_type SNN） |
| 采集链路 | bio-audit-v2/src/bioaudit/capture/{models,m3_parser,cellvoyager_hook}.py + cli.py（cross-validate –declared） |
| 重评结果 | cellvoyager-outputs/reports/windowG_reeval.json + reports/gse115978_declared.json |
| 重评轨迹 | cellvoyager-outputs/runs/GSE115978_winG_20260816_final/final_trajectory_v2.json（declared context 版；旧版备份 backups/final_trajectory_v2_pre_g2.json） |
| 资产变更留痕 | docs/specs/2026-08-13-golden-baseline/asset_manifest.json change_log（+17 条） |
7. 诚实局限
- immune ×12 仍 L-1：scRNA 范式无 immune_correlation_method 规则（覆盖缺口）， 本轮不过度修（不新增规则）；留待规则库按本体 backlog 生长。
- n=1 不变：LLM 随机性，分数不可复现（宪法 §9）；30.0 仅描述本次运行。
- declared 边界靠流程保证：本窗口以评测者署名声明文件 + 宪法修订落地； 未来运行需运行配置显式注入，避免任何 Agent 侧回填路径。
- 双联体/批次/DEG 环节未在本运行覆盖：与 demo 的对比受决策范围限制（§4 解读 5）。
8. 窗口 K1 重评追加（2026-08-16，immune 覆盖缺口闭合）
窗口 K1（execution-plan §六.十五）落地 scRNA 版免疫相关性规则
I4.1-IMMU-001_scRNA_correlation_method（ruleset 1.4.0 → **1.5.0；本体
immune_correlation_method paradigms 扩至 [pan-cancer, scRNA]，ontology 0.1.1 → 0.1.2）
后，对既有 final 轨迹（final_trajectory_v2.json，未改动，重评前已备份
final_trajectory_v2_pre_K1.json，SHA256 58A48116…）仅重跑本地审计引擎：
12 条 immune 决策从 L-1 → L1（细胞级 Spearman 相关性检验 = 伪重复，与 G1.1
同原则；文献锚定：Squair 2021 PMID 34433851 / Hollander & Wolfe 1999 / Kowalski 1972）。
结果（报告：cellvoyager-outputs/reports/windowK1_reeval.json，ruleset 1.5.0 / ontology 0.1.2）：
| 指标 | G-2 重评（ruleset 1.2.0） | K1 重评（ruleset 1.5.0） |
|---|---|---|
| trajectory_score | 30.0 | 30.0（不变） |
| eval_verdict | needs_correction | needs_correction（不变） |
| L3/L2/L1/L0/-1 | 1/0/7/0/12 | 1/0/19/0/0（L-1 清零） |
| 维度分 | data_handling 0.300 / method_selection 0.575 | data_handling 0.300（不变）/ method_selection 0.339 |
| critical_issues | 7 | 19（+12 条 L1） |
如实呈现（不夸大）：
- 分数不变（30.0 → 30.0）：最低维主导聚合下 data_handling 0.300 仍是瓶颈维 （hard_threshold ×4 + LogNormalize ×2 全 L1），immune 12 条 L1 落在 method_selection 维（0.575 → 0.339）——覆盖缺口闭合 ≠ 分数提升， 免疫相关 12 步从”无法评估”变为”有风险（细胞级伪重复）”，构成如实变化。
- L1 而非 L3 的归因：本运行 Spearman 为细胞级相关性（Step 4/5： 1,787 个肿瘤细胞为观察单位，与 T 细胞邻近 exhaustion 评分相关）—— 按 K1 规则细胞级 = 伪重复 = L1 有风险（与 G1.1 对细胞级 wilcoxon 同原则）； Spearman 本身作为方法选择是对的（L3 通道保留给样本/患者级秩相关）。
- 跨窗口一致性：agent-eval-report-g2 §7 局限 1 已消除（immune 不再 L-1）， 其余局限（n=1、declared 边界、覆盖范围）不变。
- K2/K3 连锁（窗口 K-b，ruleset 1.6.0）对本运行零影响：本轨迹 20 决策 choice 全部命中词表（无兜底 L0），不涉及 t-test 族——重评数字在 K 窗口 最终状态下保持（见 K1-score-correctness-report.md §6）。