docs: 结构.md 记 flow 四部分拆分与验证办法

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

WORK_LOG.md

@@ -57,7 +57,7 @@
 - 解释的 `cells` 只按完整流程全开实现，一律要求交（用户选"只按全开实现"）；做步骤开关时再补"关掉消融时不交"。
 - 提案、回应、统一的已占用指标编号加 `answer-path`、`safeguard-triggers` 两个保留键（用户选"materials 补进清单"）。
 - Jev 退回的原因只列判"是"的几问，只用 jev 的英文问题名（用户选"只列判是的+只写英文"）。
-- flow 的验证一律用真 Jev、真 Docker，不做假的 Jev、Docker、任务，flow 不为此开替换口子，submissions 照旧直接用 jev。验证办法是同样的输入真实跑几次，结果都符合要求就算通过；真实运行里没出现过的情况不专门造出来测（2026-10-03）。用户原话："我建议用一律用真 Jev、真 Docker。因为其实我们现在是在做科学研究，不是在开发程序……我们只需要重复运行多次……没有出现情况，你不需要去考虑"。
+- flow 拆成四部分、各自验证；验证一律用真 Jev、真 Docker，同样的输入真实跑几次；模型一侧回放真实记录和真模型两种都做（2026-10-03，细节见结构.md 第三部分）。用户原话："我建议用一律用真 Jev、真 Docker。因为其实我们现在是在做科学研究，不是在开发程序……我们只需要重复运行多次"；对拆分："你那几个拆分我基本认同"；对两种都做："同意"。
 
 ## 未完成
 
@@ -90,12 +90,4 @@
 
 ## 下一步
 
-任务书 11（收尾）已核对通过（13a7e60），materials 行数范围改为 1200–1900。已完成模块收尾完毕，下一步由用户和监督者一起过 flow。用户 2026-10-03 定的做法：flow 拆成 3–5 个能各自独立验证的部分，逐个讲、定、写任务书；每部分既按它自己的目标验证，也拿参考项目真实验收运行的记录（`/home/iomgaa/rb-acceptance/*/board.sqlite`）当对照。用户原话："把这一部分拆成 3 到 5 个可以独立验证的部分""我们也可以把我们的记录作为一个标杆，然后去匹配""我觉得我们之前其实很多问题都是 flow 没有做好"。
+已完成模块收尾完毕，现在由用户和监督者一起过 flow。flow 分四部分写、各自验证，拆分、验证办法和对照用的记录见 `docs/结构.md` 第三部分"flow 分四部分写，各自验证"。用户还要求每部分也拿参考项目真实验收运行的记录（`/home/iomgaa/rb-acceptance/*/board.sqlite`）当对照，原话："我们也可以把我们的记录作为一个标杆，然后去匹配"。下一步：监督者给用户讲部分 1，定下后写任务书 12。
-
-用户基本认同的拆分（2026-10-03），逐部分讲、写任务书：
-1. 骨架、研究开始、第零轮：从账本算出现在到哪；"下一步做什么"的纯函数（步骤先后只写这一处）；主循环；恢复入口；派一个模型任务、跑一次正式运行两个共用动作；冻结配置、建镜像、基线；第零轮。
-2. 开轮到冻结（4.3 ①–⑦）。
-3. 选批到采纳（⑧–⑫）。
-4. 消融到收尾（⑬–⑱）与研究结束；最后整份回放 16-real-1 当合起来的验收。
-
-对照能用的记录：只有 16-real-1 从头跑到尾没暂停，144 份提交能机械转成新格式；15-tight-2 第 1 轮有唯一一次修复；判重合并、留池、一人多条提案、修复用完在全部记录里都没出现过。故意和参考项目不同、对照时不对齐的：第一次预测在挑刺之前、修复用完不暂停、Jev 等于阈值收下。

docs/结构.md

@@ -109,6 +109,23 @@
 13. 收尾，更新信念本
 ```
 
+### flow 分四部分写，各自验证
+
+用户 2026-10-03 定：参考项目的 flow 太长、很难验证（用户原话："我觉得我们之前其实很多问题都是 flow 没有做好"），所以拆成四部分，一部分验证通过后再写下一部分，每部分一份任务书。
+
+| 部分 | 管哪些步骤 | 自己的验证目标 | 拿哪份真实记录对照 |
+|---|---|---|---|
+| 1. 骨架、研究开始、第零轮 | 从账本算出现在到哪；"下一步做什么"的纯函数（步骤先后只写这一处）；主循环；恢复入口；派一个模型任务、跑一次正式运行两个共用动作；冻结配置、建镜像、基线；第零轮 | 在各处写账本之后杀掉进程再启动，不重跑、不重扣、不漏写 | 16-real-1 第零轮回放，入口分配和参考项目相同 |
+| 2. 开轮到冻结 | 4.3 ①–⑦ | 每次模型调用开始时存下的材料里，没有当时还没公开的东西 | 16-real-1 三轮提案到第二次预测回放；15-tight-2 抄错编号不再卡住 |
+| 3. 选批到采纳 | ⑧–⑫ | 扣掉的次数等于确认启动的运行数；修复用完不跑、不扣、记事件 | 选批记录的输入和 16-real-1、15-real-1 存下的比；15-tight-2 第 1 轮的修复 |
+| 4. 消融到收尾 | ⑬–⑱ 与研究结束 | 解释冻结早于任何一格启动；每格只结算一次 | 选格输入和 15-real-1、16-real-1 比；最后整份回放 16-real-1，当四部分合起来的验收 |
+
+**怎么验证**（用户 2026-10-03 定）：一律用真 Jev、真 Docker，不做假的 Jev、Docker、任务，flow 不为此开替换口子。同样的输入真实跑几次，结果都符合要求就算通过；真实运行里没出现过的情况不专门造出来测。用户原话："我建议用一律用真 Jev、真 Docker。因为其实我们现在是在做科学研究，不是在开发程序……我们只需要重复运行多次"。模型一侧两种都做：
+- 回放：用本机假模型服务，把参考项目真实记录里模型交的东西按原顺序转成新格式再交一遍，走真实的 Pi。新 Jev 的判断可能和当时不同，两边走向分开以后不再对照，按方法判断分开的地方谁对。
+- 真模型：用配置里的模型真实跑几次。
+
+**参考项目的记录不是标准答案**：对照前先问"要证明哪一句"。故意和参考项目不同的地方不对齐：第一次预测在挑刺之前、修复用完不暂停、Jev 等于阈值时收下。真实记录里只有 16-real-1 从头跑到尾没暂停；判重合并、留池、一人多条提案、修复用完在全部记录里都没出现过。
+
 ---
 
 ## 四、账本记录