docs: 新增任务书 12（flow 第 1 部分：骨架与第零轮）；验收看研究质量、正式与检验代码分开

Co-Authored-By: Claude Opus 5.5 <noreply@anthropic.com>

CLAUDE.md

@@ -86,8 +86,13 @@
 ### 测试
 
 - 账本和数学规则的预期值，来自手算、独立脚本或参考项目的固定数据，不从实现里复制公式。
-- 每个阶段结束时核对几条总账，不符就停。比如：扣掉的运行次数等于已确认启动的正式运行数；每条证据只记一次账。
 - 其余部分测到能跑通就够。真实模型链路要用真实运行来证明，假模型测试证明不了。
+- 流程（flow）的验收看研究做得好不好，不只看跑没跑通：用真模型、真 Jev、真 Docker 把同样的配置跑几次，用 Jev 当裁判，对照同类系统和参考项目高分运行的研究路径来判（`docs/结构.md` 第三部分"flow 分四部分写，各自验证"）。
+- 正式代码和检验代码完全分开：
+  - `src/` 只放正式代码；`tests/` 放 `npm test` 跑的不花钱的测试；`eval/` 放真实运行的检验（起研究、回放记录、杀进程、查账本、评研究质量）。
+  - `src/` 不引用 `tests/`、`eval/`；`eval/` 只经 `src/<模块>/index.ts` 用正式代码，像用户一样用：给配置、启动研究、读账本。
+  - `src/` 里不出现为检验写的任何东西：参数、环境变量开关、"回放模式"、假实现、只给检验用的导出。检验要的假模型，用 Pi 自己的模型服务配置（`PI_CODING_AGENT_DIR`）接过去。
+  - 检验跑出来的研究目录和报告放在仓库外，不提交。
 - 修缺陷时，附一条能复现原问题的测试。
 - 不为了方便测试而给产品代码加参数或分支。测试要造的情况（例如外部服务不应答），用测试自己的环境去造。
 - 不靠删断言、改预期值，或只保留成功的运行来让测试通过。