docs: CLAUDE.md 补上发布的判据与代理这条环境事实，清掉三处过期记载

§1.10 那条指向的发布指南现在有了，同时补两件调研 PolyGateway 时核实到的：它当年那次
补救只写了文档没有回补上传，所以 1.0.6 与 1.1.0 到今天仍然不在 registry 上，而 dissect
的依赖恰好钉在那个空区间里装不上——记下教训不等于修好问题；以及发布完成的判据是外部可见
结果不是本地步骤跑通，1.1.2 三步全绿而包页面是空白的。

§4 新增一条：这台机器的代理到不了外面，访问实验室 Gitea 的命令都要绕开，否则失败看起来
像服务器挂了。过期记载三处：conda 环境早就建了、契约测试早就写了、十个模块早就不是空骨架。

Co-Authored-By: Claude Opus 5 (1M context) <noreply@anthropic.com>

.env.example

@@ -0,0 +1,64 @@
+# PolyLoop 的环境配置模板。复制成 .env 再填，.env 不入库（.gitignore 已经挡了）。
+#
+# 只有 tests/e2e/ 那一层需要它——那是唯一会打真实模型网关的测试层，其余三层
+# （unit / integration / contract）不读任何环境变量，`make ci` 也不读。
+#
+# 本库自己一个环境变量都不读。模型调用一律走 PolyGateway（CLAUDE.md §1.5），
+# 下面除了第一节那个开关之外，全部是 PolyGateway 的装配入口消费的键。
+#
+# **这里只列 e2e 跑起来必需的那几个。** 每个键什么意思、还有哪些可选键、多源怎么配，
+# 权威是 PolyGateway 自己的 .env.example——那是它的参数，不在本仓库复述第二遍
+# （复述规则见 CLAUDE.md §0）。
+#
+# 两条读取规则，和 PolyGateway 一致：读的是**当前工作目录**下的 .env，所以测试要从仓库
+# 根跑；shell 里导出的同名环境变量**优先于** .env 里的值，临时换一个模型不必改文件。
+
+
+# ── 一、e2e 的开关 ────────────────────────────────────────────────
+
+# 不是 1 的话，tests/e2e/ 整层跳过。
+#
+# **填好密钥不等于同意花钱**，所以它和密钥分成两件事。没有这道开关的话，任何人
+# 配好 .env 之后随手跑一次全套测试，就会打出去一串真实调用并产生真实账单，而他
+# 本来只是想看看测试过不过。
+POLYLOOP_E2E=0
+
+
+# ── 二、模型源，至少一个 ──────────────────────────────────────────
+
+# 键的形状是 {SCOPE}__{PROVIDER}__{序号}__{字段}。**本库的 e2e 固定用 LLM 这个
+# scope**，不做成可配——多一个旋钮就多一处「这次跑的到底是哪套配置」要对照两个
+# 地方才答得出来。
+#
+# PROVIDER 那一段必须是 PolyGateway 注册表里的键（qwen / deepseek / openai …），
+# 而且它是键名的一部分：换供应商要把下面四行的 QWEN 一起改掉。
+#
+# 挑一个便宜的小模型。e2e 验的是「这条链路通不通」——提示词拼对了没有、工具
+# schema 模型认不认、回复能不能被解释、轨迹落盘对不对——不是模型答得好不好。
+LLM__QWEN__1__BASE_URL=
+LLM__QWEN__1__API_KEY=
+LLM__QWEN__1__MODEL=
+LLM__QWEN__1__TIMEOUT_S=120
+
+
+# ── 三、治理参数 ──────────────────────────────────────────────────
+
+# 这几个 PolyGateway 一律要求显式声明、不给默认值，缺了直接报错。它们是「失败了
+# 怎么办」，不影响模型看见什么，所以照最常见的值填就行。
+LLM__RETRY__MAX_ATTEMPTS=3
+LLM__RETRY__BACKOFF_BASE_S=2.0
+LLM__RETRY__BACKOFF_MAX_S=30.0
+LLM__BREAKER__FAIL_THRESHOLD=5
+LLM__BREAKER__COOLDOWN_S=60
+
+
+# ── 四、装配选择 ──────────────────────────────────────────────────
+
+# **缓存必须是 none。** 开着的话，第二次跑同样的提示词会直接命中缓存返回，而
+# e2e 唯一要证明的就是「真的打出去过一次」——那次运行会全绿地什么都没验，而且
+# 从外部看不出来它和真的打过一次有什么区别。
+PGW_CACHE_BACKEND=none
+
+# 遥测也是 none。开 sqlite 或 postgres 要另外建库，而本库不管遥测（CLAUDE.md §1.5）；
+# 真要看用量，那是在网关自己的账目里查，按调用标识连表。
+PGW_TELEMETRY_BACKEND=none

CHANGELOG.md

@@ -0,0 +1,51 @@
+# CHANGELOG
+
+**这份文件是「哪个版本改了什么」的唯一权威**（`CLAUDE.md` §0）。未发布的改动攒在「未发布」
+那一段，发布时改成 `## X.Y.Z（日期）`。发布的完整步骤在
+`research-wiki/guides/releasing.md`。
+
+版本号语义按 `CLAUDE.md` §1.3：公共类型的字段只增不删不改名，新增字段必带默认值；要删要改
+就发新 major 并写迁移指引。
+
+## 未发布
+
+## 1.0.1（2026-08-11）
+
+首个发布版本。十个模块全部落地，四层测试都在跑。
+
+**为什么首个版本是 1.0.1 而不是 0.x**：`CLAUDE.md` §1.3 那条「公共类型的字段只增不删不改名」
+从第一个下游装上它的那天起就生效，而 0.x 在语义化版本里意味着「随时可以破坏兼容」——两者
+对不上。用 1.x 开头是在声明那条承诺现在就算数。
+
+### 公共 API
+
+- **`polyloop.types`**：消息与内容块、上下文与注入、动作结果、预算、停止原因、逐步轨迹的
+  一行（`StepRecord`）、一次运行的结果（`RunResult`），以及五种持久化日志记录。持久化结构带
+  独立的 schema 版本，读到不认得的版本直接失败，不靠默认值补齐（`CLAUDE.md` §1.4）。
+- **`polyloop.ports`**：五个接缝的 Protocol——模型调用、决策解释、动作执行、存储、事件出口。
+  每个都带一个同步的 `parameters()`，装配时聚合成参数快照写进运行开始记录，续跑时逐字段比对。
+- **`polyloop.session`**：`run` 与 `resume` 两个入口，以及它们收的两个装配对象
+  （`AgentDefinition` 跨运行不变、`RunRequest` 每次运行一份）。
+- **`polyloop.tools`**：工具注册表。注册、模型可见的 schema 生成、存在性与参数校验、分发，
+  四件事由同一个注册表实例驱动，所以「模型看得见但调不到」这种状态构造不出来。
+- **`polyloop.serialization`**：持久化记录的编解码。读到没有版本字段的载荷直接失败。
+- **`polyloop.stores`**：逐行追加的 jsonl 存储。必须显式 import，不进顶层。
+- **`polyloop.adapters`**：PolyGateway 的模型调用适配器，装它要 `polyloop[gateway]`。
+  必须显式 import——顺手导出会让每个进程在 import 本库时把网关连同它的 provider 目录一起拉起来。
+
+### 这一版保证了什么
+
+- **一次运行是有界的**：步数、动作数、连续解析失败次数、提示词规模四个预算，停止判定的顺序
+  写死在主循环里，判定结果随每一步落盘——崩在中间也不会把「恰好用满预算完成」记成「预算耗尽」。
+- **崩溃之后能从断点续跑**：一步之内四次写，其中两次是耐久屏障；恢复读意图日志判断上一步
+  处在哪一档（还没开始 / 执行完了 / 状态未知 / 日志损坏），按工具声明的重放策略处置。
+  十个写入边界逐个崩过一遍，续跑结果与不中断跑完逐字段相等。
+- **取消能穿透**：`asyncio.CancelledError` 不被捕获吞没，取消进来之后在宽限期内写下结束记录
+  ——不写的话恢复会把一次被主动叫停的运行当成可以续跑。
+- **并发跑同一份定义互不干扰**：装配对象不持有任何一次运行的状态。
+
+### 已知欠账
+
+- `stores` 只有 jsonl 一种形态，关系数据库那种由下游自己实现，`tests/contract/` 是它的准入标准。
+- 契约套件里解释器、执行器、模型客户端那几条等下游把实现接进来才跑得到。
+- 原子写的「崩在中间时两者都不可见」与前缀持久性这两条承诺没有机器兜底，标成 `xfail`。

CLAUDE.md

@@ -56,7 +56,8 @@
    **公共 Protocol 的签名是例外**：它本身就是对下游的承诺，不是实现细节，所以 `tests/contract/` 断言它是应该的。判据是这个名字有没有对外承诺过——承诺过的改名是破坏性变更（§1.3），断言它就是在守那条承诺；没承诺过的改名只是重构，断言它就是在拖后腿。
    **断言某个名字「不存在」也是允许的**，用来守住一次删除决策。一个已经被删掉的字段没法被重命名，拖不动测试。代价是它守的只是名字不是概念——换个名字把同一个概念加回来，测试照样绿，所以理由必须同时写在被删字段所在类型的 docstring 里。
 9. **测试分层按「依赖什么」定，不按「叫什么」定。** 用测试替身的是 unit，连真 PolyGateway 的是 integration，打真实模型网关的是 e2e，验证公共 Protocol 行为一致性的是 contract。按名字分层的话，改个函数名就要挪测试文件；按依赖分，只要这个测试还是不连外部服务，它就一直待在原地。四层之间更细的界线在搭测试框架那个阶段定，现在不必较真。
-10. **发布 = 合并 + push + tag + 构建 + 上传 registry + 验证已发布。只 bump 版本号不叫发布。** 教训来自 PolyGateway：1.0.6 与 1.1.0 都完成了版本号 bump 与 CHANGELOG，却从未上传，registry 长期停在 1.0.5——下游 `pip install` 拿不到任何修复，且无人发现。完整步骤见 `research-wiki/guides/`（还没写）。
+10. **发布 = 合并 + push + tag + 构建 + 上传 registry + 验证已发布。只 bump 版本号不叫发布。** 教训来自 PolyGateway：1.0.6 与 1.1.0 都完成了版本号 bump 与 CHANGELOG，却从未上传，registry 长期停在 1.0.5——下游 `pip install` 拿不到任何修复，且无人发现。**那次的补救只写了文档、没有回补上传，所以那两个版本到今天仍然不在 registry 上**，而 dissect 的依赖恰好钉在那个空区间里、装不上。这说明记下教训不等于修好问题。完整步骤与全部已知的坑见 `research-wiki/guides/releasing.md`。
+    **判据是外部可见结果，不是本地步骤跑通**：收尾要以下游视角逐一打开产物——registry 包页面的正文与仓库链接、仓库的 Releases 页、装完之后包里的文件。PolyGateway 的 1.1.2 三步全绿，包页面却是空白的。
 11. **动手前先看 README 的阶段清单。** 不要为了还没到的阶段提前写大量代码，也不要为假设中的工作量预先埋好一堆结构——这就是 §6 YAGNI 的意思，只是在阶段这个尺度上再说一次。
 
 ## 2. 人类门（仅以下需要用户批准，其余自行判断）
@@ -99,7 +100,8 @@ Codex 是 OpenAI 的编码模型，本仓库通过 `codex` 插件调用它。**
 
 ## 4. 环境与运行
 
-- Conda 环境 `PolyLoop`（**还没建**），Python 3.11。3.11 不是选出来的，是被下游钉死的：dissect 和 GovDoc-SaaS 都跑在 3.11，一个库不能要求比它的消费者更高的版本。
+- **这台机器设了 `http_proxy` / `https_proxy`，指向一个到不了外面的本地代理。** 凡是访问实验室 Gitea 的命令（上传发布产物、验证已发布、从私有源装包）都得绕开它，否则失败的形态是网关错误而不是「代理有问题」，很容易被当成服务器挂了。具体命令在 `research-wiki/guides/releasing.md` 与 `README.md` 的安装一节。
+- Conda 环境 `PolyLoop`，Python 3.11。3.11 不是选出来的，是被下游钉死的：dissect 和 GovDoc-SaaS 都跑在 3.11，一个库不能要求比它的消费者更高的版本。
 - **Python 命令一律用这个形状**：`PYTHONUNBUFFERED=1 conda run --live-stream -n PolyLoop <cmd>`。conda 和 Python 各缓冲一层，两层都得拆：只加 `--live-stream` 或只加 `-u` / `PYTHONUNBUFFERED` 都仍然全程无输出，直到进程结束才一次性吐出。六种组合的实测与原理见 `reference/CHSAnalyzer/research-wiki/explanation/conda-run-output-buffering.md`（同一台机器、同一套 conda，结论直接适用）。
 - **超过约一分钟的命令（测试套件、压测、真实网关回归）必须放进 tmux 跑**，不要阻塞在前台，也不要只丢进后台。tmux 会话人和 AI 都能 attach，可以一起看同一份实时输出、随时中断。会话按用途命名（如 `polyloop-e2e`），跑完不要急着 kill，留着给人复查。
 - **长跑命令末尾不得接管道。** `pytest ... | tail` 的退出码来自管道最后一节，于是失败的测试跑会报成 exit 0。要判断完成用 `wait` 或轮询 PID，**不要用 `pgrep -f "<完整命令串>"`**——它会匹配到自己，形成永不结束的等待。这两条是 PolyGateway 实测撞出来的，两种失败都以「看起来还在跑」的形态呈现，从外部区分不了。
@@ -121,8 +123,9 @@ Codex 是 OpenAI 的编码模型，本仓库通过 `codex` 插件调用它。**
                                （公共类型和枚举取值不在这里，权威见 §0 表格）
 ★ research-wiki/scratch/       一次性草稿。进 git，但由人在每轮工作会话结束前清理（AI 不要自动删）
 ★ tests/contract/              公共 Protocol 的行为一致性套件，是那份契约的权威（§0），
-                               也是任何新适配器的准入标准。目录已建、测试还没写
+                               也是任何新适配器的准入标准
-★ src/polyloop/                库本体。十个模块的空骨架已建，内容还没写
+★ tests/e2e/                   打真实模型网关，会产生真实费用。默认不跑，两道闸见 .env.example
+★ src/polyloop/                库本体，十个模块
 ```
 
 常青层与记录层的分界、各类的更新触发点、`scratch/` 那条人工清理规则的已知风险，都在 `research-wiki/README.md`。

README.md

@@ -9,17 +9,38 @@
 
 ---
 
-## ⚠️ 项目还没有可用的功能（2026-08-07 起）
+## 安装
 
-`src/polyloop/` 下是十个模块的空骨架——目录和依赖契约先于代码存在，模块里一个类一个函数都
+发布在实验室自建的 Gitea PyPI registry 上，公网 PyPI 查它是 404，所以装它必须自己带索引地址：
-还没有。下面的阶段清单是唯一的进度权威。
+
+```bash
+pip install --extra-index-url https://gitea.iomgaa.online/api/packages/iomgaa/pypi/simple/ \
+    "polyloop==1.0.*"
+```
+
+模型调用要经 PolyGateway，那部分是一个单独的 extra——不用它的人不该被迫装上网关：
+
+```bash
+pip install --extra-index-url https://gitea.iomgaa.online/api/packages/iomgaa/pypi/simple/ \
+    "polyloop[gateway]==1.0.*"
+```
+
+写进 `requirements.txt` 的话，那一行 `--extra-index-url` 必须排在 `polyloop` 之前。
+
+**这台开发机上的注意事项**：它设了 `http_proxy` 指向一个到不了外面的本地代理，走代理会失败，
+装的时候加 `NO_PROXY=gitea.iomgaa.online`。
+
+## 现状
+
+十个模块全部落地，四层测试都在跑。**还没有任何下游项目真的用过它**——这是它现在最大的未验证项，
+下面的阶段清单是唯一的进度权威。
 
 ## 消费者与验收标准
 
 | 项目 | 现状 | 本库对它的验收标准 |
 |---|---|---|
 | dissect | 已有跑着的 `harness/agent/`（loop / context / memory / parser） | **能把那套循环搬到本库上，dissect 原有测试全绿。** 一手需求证据最强 |
-| GovDoc-SaaS | 已有 `packages/docagent-core/`（第一次抽库尝试，含 agent / workflow / retrieval / taskrun） | **能替代掉 `docagent-core/agent`，能替代更多更好。** 哪些子包能一并接管，在第 ② 阶段判断 |
+| GovDoc-SaaS | 仓库 2026-08-03 起整体重建，实现全部清空，自己的清单停在「构建文档框架」 | **不做迁移验收，做设计级验收**：它真实需要的东西逐条能不能被承载，见 `research-wiki/migrations/govdoc-saas.md`。它将来写 agent 层时是直接长在本库上，不是迁过来 |
 | CHSAnalyzer | 还没写到 agent 那一步，只有设计方案 | **远期可以兼容使用。** 它的 agent 需求要么本库能满足，要么明确写进「不属于本库」清单并说明为什么 |
 
 三者的证据强度不同，能进本库的语义也就分档：dissect 和 GovDoc-SaaS 的真实代码是一手证据，
@@ -39,13 +60,14 @@
       所以它排在架构前面：边界画错，后面每一份架构文档都要重写
 - [x] ③ 架构 —— `research-wiki/explanation/architecture.md` 与 `pyproject.toml` 的 import-linter 契约。
       架构文档先于代码存在，此期间它是一份规格而不是描述，文档开头须写明这一点
-- [x] ④ 测试框架 —— unit / integration / contract 三层已在跑；**e2e 还是空的**，它要打真实
+- [x] ④ 测试框架 —— 四层都在跑（划分判据是「依赖什么」，见 [CLAUDE.md](CLAUDE.md) §1.9）。
-      模型网关（划分判据是「依赖什么」，见 [CLAUDE.md](CLAUDE.md) §1.9）。`tests/contract/`
+      e2e 打真实模型网关、会产生真实费用，所以默认不跑：要 `POLYLOOP_E2E=1` 加显式
-      那套公共行为一致性用例接上了自带的存储实现，解释器与执行器那几条仍等下游把实现接进来
+      `pytest -m e2e`，配置见 [.env.example](.env.example)。`tests/contract/` 那套公共行为
-- [x] ⑤ 实现 —— 十个模块全部落地。**两处已知欠账**：事件出口收下了但没有调用点（`Event`
+      一致性用例接上了自带的存储实现，解释器与执行器那几条仍等下游把实现接进来
-      还没有字段，事件集要独立成一份 design doc）；`stores` 只有逐行追加那一种形态，关系
+- [x] ⑤ 实现 —— 十个模块全部落地，五个接缝都有调用点。**一处已知欠账**：`stores` 只有逐行
-      数据库那种由下游自己实现，契约套件是它的准入标准
+      追加那一种形态，关系数据库那种由下游自己实现，契约套件是它的准入标准
-- [ ] ⑥ 迁移验收 —— 真的把 dissect 与 GovDoc-SaaS 迁过来，以两边测试全绿为准
+- [ ] ⑥ 迁移验收 —— 真的把 dissect 迁过来，以它原有测试全绿为准。GovDoc-SaaS 那半不是迁移
+      而是设计级验收（理由见上面那张表），口径在 `research-wiki/migrations/govdoc-saas.md`
 
 ## 本地检查
 
@@ -55,8 +77,8 @@ make test    # pytest（e2e 默认不跑，它打真实网关要花钱）
 make ci      # 上面两条
 ```
 
-仓库还没有 remote，所以没有 CI workflow。`make ci` 就是当前的全部机器闸，和 PolyGateway
+还没有 CI workflow，`make ci` 就是当前的全部机器闸，和 PolyGateway 一样。发布怎么做见
-一样。等仓库推上去之后按 `research-wiki/guides/` 补 workflow（那份也还没写）。
+[research-wiki/guides/releasing.md](research-wiki/guides/releasing.md)。
 
 文档质量不走机器检查，走 [CLAUDE.md](CLAUDE.md) §3 的「硕士生阅读」评审。
 
@@ -69,7 +91,7 @@ make ci      # 上面两条
 |---|---|
 | `reference/agent-core.md` | 别人为本项目写的一份架构提案。其中任何一条在被我们自己的 design doc 采纳前都不作数 |
 | `reference/dissect/` | 消费者，已有 ReAct 循环实现 |
-| `reference/GovDoc-SaaS/`（`background` 分支） | 消费者，已有第一次抽库尝试 `packages/docagent-core/` |
+| `reference/GovDoc-SaaS/`（`background` 分支） | 消费者的**旧代码**，第一次抽库尝试 `packages/docagent-core/`。它那边的活仓库已经把这份降级成「只作研究输入，不是当前事实来源」 |
 | `reference/GovDoc-Editor/` | GovDoc-SaaS 重构之前的那一版，今天跑在生产上。需求来源，不是迁移对象 |
 | `reference/CHSAnalyzer/` | 远期消费者；同时是本仓库协作规范的蓝本 |
 | `reference/PolyGateway/` | 本库的依赖，也是「实验室共用库该怎么做」的蓝本 |

pyproject.toml

@@ -4,8 +4,13 @@ build-backend = "setuptools.build_meta"
 
 [project]
 name = "polyloop"
-version = "0.0.0"
+# 与 src/polyloop/__init__.py 的 __version__ 必须一致，由 tests/unit/test_package.py 断言。
+version = "1.0.1"
 description = "PolyLoop：实验室共用的 Agent 执行内核——一次运行的预算、停止语义、取消、逐步轨迹与 Skill 注入"
+# registry 的包页面正文只认这一项：缺了它页面就是一片空白，而 twine 只会警告
+# long_description missing，不阻塞上传——三步全绿、产物是坏的（PolyGateway 1.1.2 的教训）。
+# README 在打包时被固化进产物，发布之后再改无效，所以改 README 必须排在构建之前。
+readme = "README.md"
 requires-python = ">=3.11"
 # 3.11 是被下游钉死的：dissect 与 GovDoc-SaaS 都跑在 3.11，一个库不能要求比它的消费者更高的版本。
 dependencies = []
@@ -25,8 +30,19 @@ dev = [
     "pytest-asyncio==1.4.0",
     "ruff==0.16.2",
     "import-linter==2.13",
+    # 发布用的两个。**刻意放进 dev 而不是靠人手装**：PolyGateway 那边它们不在任何 extra 里，
+    # 于是发布指南必须多写一条「记得先装这两个」，而那种步骤迟早有人漏。
+    "build==1.5.0",
+    "twine==7.0.0",
 ]
 
+# 包页面上那几个链接。PyPI 的元数据里没有「仓库」这个字段，所以 registry 不会自动把包挂到
+# 仓库上——那一步只能在网页上手动做，这里这几条是包页面上唯一能自带的去处。
+[project.urls]
+Homepage = "https://gitea.iomgaa.online/iomgaa/PolyLoop"
+Changelog = "https://gitea.iomgaa.online/iomgaa/PolyLoop/src/branch/main/CHANGELOG.md"
+Issues = "https://gitea.iomgaa.online/iomgaa/PolyLoop/issues"
+
 [tool.setuptools.packages.find]
 where = ["src"]
 

research-wiki/design/0013-event-set-and-callbacks.md

@@ -0,0 +1,309 @@
+# Design 0013 · 事件集与具名回调清单
+
+**日期** 2026-08-10 · **状态** 已接受（2026-08-10 项目负责人确认）
+
+**落实** `0003-public-api-shape.md` 决策五那句「观察走事件流、干预走具名回调」，并补上
+`0007-seam-behaviour.md`「留给后续的」那半个契约——事件出口的「投递失败不打断循环」已经定了，
+「发出去的事件里有什么」还没有，因为 `Event` 到今天只有一个名字、零个字段。
+
+**取代** `0007` 决策二末尾那句设想（「要补的话，将来靠事件流把执行器原文送出去做审计」）。
+决策六换了另一条路，理由在那一节。
+
+**触及** `../../src/polyloop/ports/`（`Event` 加字段、新增 `EventKind`）、
+`../../src/polyloop/session/`（发事件的那一处）、`../../tests/contract/test_event_sink.py`。
+
+**它过了 `../../CLAUDE.md` §2 那道人类门**，因为改的是公共类型的字段：`Event` 从零字段变成有
+字段，而 `EventKind` 的取值集合从此是一份对外承诺。
+
+## 读本文需要的几个名字
+
+**接缝**——库留给项目替换的扩展点，用 Protocol 表达。本库有五个：模型调用、决策解释、动作
+执行、存储、事件出口。**事件出口**这一个的形状是一个异步的 `emit(event: Event) -> None`，
+加一个同步的 `parameters()`（后者交出这个实现的参数，进参数快照）。
+
+**意图日志**——库把一次运行写成一串只追加的记录：运行开始、意图（「要做一件有副作用的事
+了」）、模型调用结果、一步走完、运行结束。崩溃之后的恢复判定读这串记录，靠「有意图没结果」
+这种形态判断上次停在哪一档。
+
+**步记录（`StepRecord`）与「一步走完」记录（`StepCompleted`）是两个东西**。前者是逐步轨迹
+里的一行，下游拿它做分析；后者是日志里的一条，它把动作执行接缝的**原样返回值**和那一行步
+记录**一次原子写下去**。本文两处都要用到，不能互换。
+
+**回填进历史**——历史是喂给模型的那串消息。把观察回填进历史，就是在下一次模型调用之前往
+消息序列里追加一条，好让模型看见上一步的结果。
+
+**参数快照**——装配时向每个接缝要一份字符串到字符串的映射，合并起来写进运行开始记录。续跑
+时把当前装配现算的那份与记录里的逐字段比对，任何一项不一致直接报错。「模型看得见的东西必须
+能进参数快照」是本库反复用到的一条判据：进不了快照，就意味着它可以在两次运行之间悄悄变化。
+
+**`reference/pi`**——`reference/` 下六个参考仓库之一，另一个 agent 执行内核。本文引用它是当
+反例，它不是本项目的设计依据。
+
+## 需求从哪来
+
+`../migrations/govdoc-saas.md` 的缺口登记里有一条：GovDoc 的审计出口是一个「发一条带类型和
+载荷的事件」的接口，而它的业务侧有一条硬纪律——**agent 的原始输出、修复后的输出、恢复来源
+全程留痕，禁止静默修复**。那条纪律迁过来之后要有地方承载，不然它迁不了。
+
+它今天的事件模型写在 `reference/GovDoc-SaaS/research-wiki/schemas/docagent-audit-events.md`，
+三类事件：
+
+| 它的事件 | 埋点 | 载荷 |
+|---|---|---|
+| `llm_step` | 解析模型响应之后，成功与失败都记一条 | `session_id` `iteration` `call_id` `raw_content`（模型原文，全量不截断）`repaired_content`（修复之后的文本）`parse_error` `parse_ok` |
+| `tool_call` | 工具执行之后，含无效调用 | `session_id` `iteration` `tool_name` `args` `output_digest`（工具输出的截断摘要）`is_valid` `duration_ms` |
+| `phase_recovery` | 阶段执行器抢救产物成功时 | `session_id` `phase_name` `recovered_outputs` `recovered_from` |
+
+第三类在本库界外——它发自阶段编排层，而阶段编排按 `../explanation/scope.md` 不归本库
+（`0003` 决策五复述过这条）。前两类都在界内，而且**都是一次迭代发一条**。
+
+dissect 那边没有对应需求：`reference/dissect/harness/agent/loop.py` 与 `harness/runner.py` 里
+没有任何回调、钩子或进度上报。所以事件流现在只有一个真实消费者。
+
+## 决策一：事件流是活的观察通道，它带的每一条事实在存储里另有一份
+
+**不变量：一条事件里的任何事实，在存储里都能再找到一份。** 事件丢了，丢的是「早一点看见」，
+不是那件事本身。
+
+这条不是风格偏好，它是「投递失败不打断循环」那条契约成立的前提。出口允许抛异常、库接住并
+继续跑（`0007` 已定），而这件事只有在事件不是任何事实的唯一出口时才安全——否则一个连不上的
+后端会让一次运行的部分事实**静默消失**，而运行本身照常返回成功。
+
+`0003` 驳回过反方向的那条路：给事件流加投递保证，让它承担审计。驳回的理由是一旦有投递保证，
+事件流就变成持久结构，此后每加一个事件类型都要走人类门改 schema 版本。审计因此落到存储上，
+而事件流的「可丢」靠上面那条不变量兑现。
+
+## 决策二：那条审计纪律由存储承担，事件流只是让人不必轮询存储
+
+纪律要留痕的三样东西，在意图日志里各有确定的位置：
+
+| 纪律要的 | 在哪 |
+|---|---|
+| agent 的原始输出 | `ModelCallResult.reply.content`——模型调用结果记录里那段回复，库不改它 |
+| 修复后的输出 | `StepRecord.raw_output`——解释器交回来的、回填进历史的那段 assistant 文本 |
+| 恢复来源 | 意图日志本身：哪一步有意图没结果、按哪条重放策略处置过 |
+
+**原文与修复后的文本落在两条不同的记录里，这不是巧合，是 `0002` 的结构决定的。** 模型调用
+结算时写一条结果记录，那时还没解释；解释完、动作走完之后写一条「一步走完」，那里面的文本是
+解释器交回来的。两次写之间隔着一次动作执行，所以两份文本天然分开存，而「解释器改写过什么」
+正好是两者的差。
+
+于是 `../../tests/contract/test_event_sink.py` 里那条
+`test_audit_events_carry_both_raw_and_repaired_model_output` 的前提是错的：**事件不带这两样，
+存储带**。它要改写成断言存储这一侧，落在驱动入口那一层的测试里——也就是跑完一次完整运行、
+再把日志读回来，验里面能不能同时读出原文与修复后的文本。放在事件出口的契约套件里验不了，
+因为那套件只看一个出口实现，看不到一次运行。
+
+事件流剩下的用处只有一个：让同一个进程里的观察者不必轮询存储就能知道跑到哪儿了。GovDoc 的
+审计管道要「不丢」，那它该包在存储接缝上，不是接在事件出口上——存储的写是运行的一部分，写
+失败运行就停；事件的投递不是。
+
+## 决策三：事件集只有一种取值——一步走完
+
+```python
+class EventKind(StrEnum):
+    STEP_FINISHED = "step_finished"
+```
+
+GovDoc 的两类界内事件都是**一次迭代发一条**，而一次迭代在本库就是一步。拆成两条只多出一个
+信息：模型答完了但动作还没跑完。GovDoc 的工具是工作区里的文件操作，那段间隔可以忽略；dissect
+的动作是执行一段 Python、可能很慢，但 dissect 根本不看事件。**一个真实消费者都举不出来的
+分辨率，按 `0001` 决策三不实现也不预留。**
+
+`reference/pi` 是另一个极端，一轮迭代发十来条（`agent/test/agent-loop.test.ts:1185` 把整个
+序列钉死了），事件类型十种。那个粒度是被终端界面逼出来的——它要让用户看着模型一个字一个字
+往外吐，所以连流式分片都发一条。本库没有这种消费者。值得注意的是 pi 也把实时事件流与持久
+记录分成了两套东西：落盘那套是另外九种记录（`agent/src/harness/session/types.ts:203`），事件
+流不落盘。这跟决策一是同一个分法，只是它的事件流因为要喂界面而切得极细。
+
+一步走完时那条步记录覆盖了它两类事件载荷的大部分：`raw_output` 是修复后的文本，`parse_ok`
+与 `parse_error` 是解析结果，`tool_name` / `tool_arguments` / `observation` / `action_status`
+是工具那一侧。**没有覆盖的有两样，各自的去处写在这里，免得下一个人以为它们被漏了：**
+
+| 它的载荷 | 步记录里没有 | 去哪拿 |
+|---|---|---|
+| `raw_content`（模型原文） | 步记录里那段是修复后的 | 模型调用结果记录，见决策二 |
+| `duration_ms`（工具单独耗时） | 只有整步墙钟 `step_wall_ms` | 现在拿不到，登记在下面的代价里 |
+
+**没有「运行开始」与「运行结束」两种事件。** 事件出口是在进程内被 `await` 调用的，收到事件的
+那段代码和调用 `run` 的是同一个进程：它自己知道运行是什么时候开始的，也会在运行结束时拿到
+`RunResult`。**用返回值交付终态比用一条可丢的事件交付更可靠**——最后一条事件投递失败时终态
+就丢了，而返回值丢不了。取消那一档拿不到返回值（`CancelledError` 原样抛给调用方），但调用方
+正是取消的那一方，它知道；终态在存储的结束记录里。
+
+要把进度写进一张业务表供另一个进程轮询的实现，照这个分工：逐步的行由事件出口写，终态那一行
+由拿到 `RunResult` 的调用方写。
+
+**`EventKind` 的取值集合从此是对外承诺**，加一个取值和改停止原因的取值一样要走人类门
+（`../../CLAUDE.md` §2）。加取值本身在类型上是兼容的，但对一个「假定每条事件都是步事件」而
+写的出口来说，新取值会被静默地当成步事件读——所以第一版就带 `kind`，让每个出口从第一天起
+就得分发。这跟 `0003` 决策六是同一个判据：容器的形状要一次选对，里面装什么可以以后加。
+
+## 决策四：事件带的是那条步记录本身，不是它的摘要
+
+```python
+@dataclass(frozen=True, slots=True, kw_only=True)
+class Event:
+    kind: EventKind
+    run_id: str
+    model_binding: Mapping[str, str]
+    step: StepRecord
+```
+
+数据类的这三个开关是本库所有公共数据类的统一形状，理由在 `0009`，不在本文重复。
+
+**不挑几个字段拼一份摘要。** 挑出来的那份是一次投影，而投影会漂移。`0003` 决策五驳回观察
+投影接缝时举过参考仓库 `reference/pi` 的例子，写这一条时又去核了一遍，实际情况比那句话更糟：
+它同一组三份投影对不上的地方有四处，而不是一处。
+
+| 同一条会话条目 | `harness/session/context.ts:65` | `harness/compaction/compaction.ts:68` | `harness/compaction/branch-summarization.ts:112` |
+|---|---|---|---|
+| `custom` 类型的条目 | 走投影器，可见 | 落到默认分支，不可见 | 显式返回空，不可见 |
+| 压缩摘要后面保留的那截尾巴 | 整段带上 | 丢掉 | 丢掉 |
+| 停止原因是「推迟」的助手消息 | 显式排除 | 没有这个判断，带进去 | 没有这个判断，带进去 |
+| 工具结果消息 | 保留 | 保留 | 显式丢弃 |
+
+四处没有一处是写错的——每一份投影单独看都讲得通，它们只是在不同时间被不同的需求改过。这正是
+投影这种东西的失效形态：不报错、不崩溃，只是同一条记录在两个地方长得不一样，而发现它要有人
+同时读三个文件。
+
+带整条记录就没有这个问题：`StepRecord` 加一个字段，事件里自动就有，两边不可能对不上。
+
+**`run_id` 在场，因为一个出口可以被并发的多次运行共用。** 事件出口挂在定义上（`0003` 决策
+三），而定义可以被多次运行共用；没有运行标识，两次并发运行的事件在出口那边混成一串。
+
+**`model_binding` 在场，因为项目自己那套标识没法从运行标识倒推。** GovDoc 的审计要求三类事件
+必带会话标识，而会话标识是它自己的标识、住在请求的绑定里；一次会话包含三个阶段、也就是三次
+运行，所以运行标识与会话标识不是一回事。让项目把会话标识编进运行标识再解析出来，等于往一个
+库明确声明「不解析」的不透明字符串里塞结构。字段名与请求上那个 `model_binding` 逐字相同，
+因为它就是同一份映射原样传过来的；值只能是字符串这条约束也一并继承，理由在 `0003` 决策三
+——它的全部键值都要进参数快照，而快照是一份字符串到字符串的映射。
+
+**没有 `schema_version`。** 事件不是持久化结构，`../../CLAUDE.md` §1.4 管的是会被下游存进
+数据库或实验数据集的结构。下游把事件存下来时，存的是它自己那张表的 schema。而真正需要版本
+的那部分——步记录——本来就带着自己的 `schema_version` 一起进来了。
+
+## 决策五：只有一处发事件的地方，在「一步走完」原子落地之后
+
+一步走完、`StepCompleted` 原子落地、**然后**发事件，再进入下一次迭代的停止判定。
+
+**先写后发，顺序不能倒过来。** 倒过来的话，进程崩在发事件与落盘之间，观察者看见了一步而
+存储里没有——那正是决策一那条不变量被打破的样子，而它的表现是「进度表里有第 7 步、日志里
+只到第 6 步」，谁也说不清哪个是真的。
+
+**`reference/pi` 是反着做的**（`coding-agent/src/core/agent-session.ts:633`，那一行的注释就写着
+先发给扩展），而它那么做没有问题，因为它的订阅者是同一个进程里的终端界面：进程死了订阅者跟着
+死，「看见了但没落盘」这件事不会留下任何痕迹。本库的出口可以是一个活得比进程久的数据库，
+所以同一个顺序在这里会留下一份对不上的记录。同一件事在两个项目里答案不同，差别在订阅者的
+寿命，不在哪种写法更讲究。
+
+**发在停止判定之前，因为停止判定可能不返回。** 判定一旦决定收尾，控制流就去写结束记录、
+组装 `RunResult`、返回给调用方了。把发事件排在判定之后，最后一步就没有事件——而一次运行的
+最后一步恰恰是最值得看见的那一步（它是「做完了」还是「预算烧光了」）。排在判定之前，每一步
+都发，没有例外要记。
+
+**续跑时不为已经完成的步补发事件。** 事件是「这次进程里真的发生了什么」的实时投影，补发等于
+宣称一件早就发生过的事刚刚发生，而接进度表的那一侧会多出一批重复行。判据是**这次进程里有没有
+真的执行**：从日志里读回来直接跳过的步不发；按重放策略在这次进程里重新执行了一遍的步照发。
+观察者要补全前半段，从存储里读。
+
+**投递不排队、不并发、不缓冲。** 一条一条 `await` 过去，按发生顺序。排队要引入后台任务、
+背压和关闭时的排空，而那是治理，按 `../../CLAUDE.md` §1.5 不在本库做。代价照实认下：一个慢
+出口会按步拖慢整次运行。要异步就在出口实现里自己排队——它知道自己能丢多少，库不知道。
+
+## 决策六：执行器被丢掉的那段原文已经在日志里，不必再开一条路
+
+`0007` 决策二定了动作被拒绝或环境故障时，回填进历史的是库合成的那段文本，执行器返回的
+`observation` 不进历史。它同时认下一笔代价——「哪个参数不合法」这种只有执行器知道的信息
+丢了——并设想将来靠事件流把它送出去做审计。
+
+**那笔代价没有实际发生，因为它只是没进历史，并没有没进日志。** 「一步走完」这条记录同时写
+两样东西：动作执行接缝的**原样返回值**，以及那一行步记录。库替换的只是步记录里的
+`observation` 那一列，接缝返回的整个结构原样落盘，其中就包括执行器自己写的那段文本。
+
+于是那条设想不必落地，而且**不该落地**：走事件流的话，出口一失败，那段文本就再也查不出来了，
+而 GovDoc 那条纪律的原话正是「禁止静默修复」——一次被库替换掉的观察，替换前的样子只能存在
+于一个可丢的通道里，这本身就是一次可能静默的修复。它今天审计里那个 `output_digest` 在无效
+调用那一档记的，正是它的工具调度器给出的那段拒绝说明；对应到本库，那就是动作执行接缝返回的
+`observation`，而它在日志里。
+
+**代价是拿它要读日志，读不到轨迹里。** 下游拿到的 `RunResult.steps` 是步记录序列，里面没有
+这一段；要审计就得把日志读回来。接受，因为另一头是往每一条步记录上再挂一份可能上兆的文本，
+而需要它的只有出错的那几步。
+
+## 决策七：投递失败按次计数，只算这次进程的
+
+`RunResult.event_delivery_failures` 已经在类型里了，它的口径定在这里。
+
+**捕获 `Exception`，不捕获 `BaseException`。** `asyncio.CancelledError` 必须原样穿过
+（`../../CLAUDE.md` §1.6）——在发事件这一下把取消吞掉，取消就会晚一整步才生效。
+
+**每一次抛异常的 `emit` 计一次。** 不去重、不按步合并：出口连续失败十步就是十，那个数字要
+能反映「有多失败」，而不只是「失败过」。
+
+**捕获之后记一条错误日志，不静默继续**（`../../CLAUDE.md` §1.7），也**不把失败转成一条事件
+从同一个出口再发一次**——`0003` 决策四已经定了这条，理由是自我喂食：一个持续失败的出口会让
+失败处理路径变成递归，而递归的表现是进程卡住或栈溢出，不是一条错误日志。
+
+**计数是每次运行的，不是每个出口的。** 出口挂在定义上、可以被并发的多次运行共用，而这个数
+属于一次运行的结果，所以它住在运行自己的状态里。
+
+**不跨进程累加。** 崩溃续跑之后，返回值里的数字是这次进程投递失败的次数，上一次进程那些不
+算在内。要累加就得把它写进结束记录，而那会把一个纯观察量变成持久结构——`0003` 驳回给事件流
+加投递保证时说的正是这个。
+
+## 决策八：具名回调清单现在是空的
+
+`0003` 决策五定了「观察走事件流、干预走具名回调」。事件流那一半上面定完了，另一半没有内容：
+**本库现在一个具名回调都不提供。**
+
+这不是遗漏。GovDoc 那套钩子有四个扩展点，逐个都已经有别的归宿：
+
+| 它的钩子 | 在本库的归宿 |
+|---|---|
+| 步骤开始前注入上下文 | 上下文装配不设接缝（`0003` 决策五），注入走请求上的注入槽（`0010`） |
+| 工具执行后替换工具输出 | 观察投影不设接缝（`0003` 决策五），那条驳回举的反例正是这个钩子——它的文档承诺「替换」而代码做的是「追加」 |
+| 步骤结束后持久化中间状态 | 存储接缝在做这件事，而且它是必填的（`0003` 的否决方案里驳回了「做成可选参数」） |
+| 循环结束后做遥测与清理 | `run` 的返回值就是这个 |
+
+**将来要加一个具名回调，判据两条**：按 `0001` 决策三得有两个真实消费者；而且它改动的东西
+必须能进参数快照——回调一旦能改变模型看见的内容，那份内容就成了这次运行的参数，不进快照
+就等于有一个影响行为又读不出来的默认值。
+
+**观察通道与干预通道的分界在失败处置上：观察通道失败了运行继续，干预通道失败了运行必须停。**
+一个没生效的干预和一个生效了的干预会产出两次不同的运行，而静默继续意味着事后分不出是哪一种。
+事件出口按前者处置（接住、计数、继续），任何将来的回调按后者（原样抛出、终止运行）。
+
+`reference/pi` 独立走到了同一条线上：它的扩展回调抛异常会被接住、转成一条错误事件、其余回调
+照跑（`coding-agent/src/core/extensions/runner.ts:809`），唯独工具执行前那一个回调抛异常会挡住
+这次工具调用（`coding-agent/src/core/agent-session.ts:491`）。它的设计文档把这条写成一句
+——抛异常的回调不会让运行失败，只有工具执行前那个是 fail-closed
+（`agent/docs/harness-v2.md:1290`）。两边都不是从原则推出来的，是各自撞到「一个悄悄没生效的
+干预事后查不出来」之后收敛到的同一处。
+
+## 代价
+
+**慢出口按步拖慢运行。** 决策五不排队，所以一个每步花两百毫秒写数据库的出口，在五十步的
+长运行上就是十秒。缓解只能在出口实现里做。
+
+**一条事件带着整条步记录，可能很大。** `raw_output` 与 `observation` 都没有长度上限，出口
+每步都会收到一份完整副本。
+
+**工具单独的耗时拿不到。** 库只记整步墙钟，里面混着模型调用、解释和动作执行三段。GovDoc 今天
+的 `tool_call` 事件记的是工具那一段，迁过来之后这个数会变成整步的数，两批数据不可比。这一条
+登记进 `../migrations/govdoc-saas.md` 的缺口清单，不在本文解决——要拆开就得往步记录里加分段
+计时，而那是一次持久化结构的改动，得有人先说清楚这个数拿去做什么。
+
+**只有一种事件，看不见「模型答完了、动作还在跑」。** 一个动作耗时很长的项目，进度表在那段时间
+里不会更新。等到有第二个消费者真的需要，加一个取值，那时 `Event.step` 要变成可为空并配一条
+不变量——这是决策三承认的、加取值那天要付的结构成本。
+
+## 留给后续的
+
+**流式的中间增量还是不透出。** `0012` 文末把这件事指到本文，答案是不加：一次调用之内的增量
+不是一步的结果，让它进事件流就要给事件一个「一步之内多条」的形状，而那要求事件带序号和排序
+保证——那正是 `0003` 驳回的投递保证的开头。等有消费者再说。
+
+**阶段级的抢救事件在界外。** GovDoc 的 `phase_recovery` 发自阶段执行器，那一层不归本库；它
+要发什么事件由它自己定。本库这边它需要的是「这次运行结束了没有、结果是什么」，那是存储的
+结束记录在回答。

research-wiki/migrations/govdoc-saas.md

@@ -96,10 +96,24 @@ GovDoc 有两套 agent，形态完全不同，而两套都不能直接当迁移
 阶段级续跑本身在界外，但它依赖一个界内的事实：运行结果必须是可持久化、可读回、可判定的
 结构，而且「这次运行结束了」要由库自己写下来。这条已经落进 `../design/0002-step-level-resume.md`。
 
-## 已经有答案的（原缺口登记，`0003` 回答）
+## 已经有答案的（原缺口登记，`0003` 与 `0013` 回答）
 
-这三条曾经登记为「PolyLoop 答不上来」，`../design/0003-public-api-shape.md` 已经定了。
+这几条曾经登记为「PolyLoop 答不上来」，现在定了。留在这里是因为它们是 GovDoc 侧真实的接入
-留在这里是因为它们是 GovDoc 侧真实的接入约束，迁移时要照着改代码。
+约束，迁移时要照着改代码。
+
+**审计纪律由意图日志承担，不由事件流承担**（`../design/0013-event-set-and-callbacks.md`
+决策一与决策二）。这条原来登记成「事件流能不能覆盖审计需求，取决于事件里带不带原始响应」，
+答案是不带——事件流可丢，一件只存在于可丢通道里的事实撑不起「禁止静默修复」。纪律要留痕的
+三样在日志里各有位置：模型原文在模型调用结果记录的回复里，修复后的文本是步记录的
+`raw_output`，恢复来源是意图日志本身（哪一步有意图没结果、按哪条重放策略处置过）。
+
+对 GovDoc 的实质影响是**审计出口要包在存储接缝上，不是接在事件出口上**。存储的写是运行的
+一部分，写失败运行就停；事件的投递不是。今天那个发一条带类型和载荷的接口迁过来之后，位置
+变了。事件流仍然可以接——一步走完发一条，带整条步记录——但它是给进度回写用的，不能当审计。
+
+**它的三类事件里有一类在界外。** `phase_recovery` 发自阶段执行器，而阶段编排不归本库；那
+一层要发什么事件由它自己定。本库这边它需要的只是「这次运行结束了没有、结果是什么」，那是
+存储的结束记录在回答。
 
 **预算挂在请求上，不是定义上。** 一份定义可以被三个阶段共用，各传一份预算，不会长出三份
 除预算外完全相同的定义。**不设「定义给默认值、请求可覆盖」**——两处取值意味着「这次到底
@@ -139,10 +153,11 @@ JSON，不用原生工具调用，所以现在不缺。哪天要换成原生工
 个 tools 字段——那是兼容变更，但还要看下面那一层的共用库暴不暴露这个参数，以及原生工具调用的
 返回怎么进决策解释接缝那三个分支。**这条要在换协议之前定，不能边换边定。**
 
-**审计出口与事件流的关系。** 生产实现的审计出口是一个「发一条带类型和载荷的事件」的接口，
+**动作被拒绝那一档，工具单独的耗时拿不到。** 生产实现的 `tool_call` 审计事件记的是工具执行
-而 PolyLoop 的方向是「观察走事件流、干预走具名回调」。事件流能不能覆盖审计的需求，取决于
+那一段的毫秒数，而 PolyLoop 只记整步墙钟——里面混着模型调用、解释和动作执行三段。迁过去这个
-事件里带不带原始响应——审计纪律要求原始输出和修复后的输出都留痕。事件集与回调清单要独立
+数的口径会变，迁移前后两批数据不可比。要拆开就得往步记录里加分段计时，那是一次持久化结构的
-成一份 design doc，这条在那时候定。
+改动，得先说清楚这个数拿去做什么（是给人看慢在哪，还是要进统计）。这条在
+`../design/0013-event-set-and-callbacks.md` 的代价一节登记过，那份文档没解决它。
 
 **动作被拒绝之后的重复行为。** 生产实现对无效工具调用不设单独的重试上限，靠总迭代上界收敛。
 PolyLoop 目前的想法一致，但要确认这在长阶段（50 步）上够不够——模型反复调用同一个不存在的

src/polyloop/__init__.py

@@ -8,11 +8,11 @@
 import 时把网关连同它的 provider 目录一起拉起来，而不传存储的人不会知道自己这次运行
 没有恢复能力。
 
-**当前是空骨架。** 目录与依赖契约先于代码存在，形状见
+分层与依赖方向见 `research-wiki/explanation/architecture.md`，一次运行到底保证什么见
-`research-wiki/explanation/architecture.md`。
+`tests/contract/`。
 """
 
 #: 与 `pyproject.toml` 的 `project.version` 必须一致，由 `tests/unit/test_package.py` 断言。
 #: 两处双写是因为运行时读不到构建元数据（未安装的源码树里 `importlib.metadata` 查不到），
 #: 而下游报 bug 时第一件事就是问版本号。
-__version__ = "0.0.0"
+__version__ = "1.0.1"

src/polyloop/ports/__init__.py

@@ -19,6 +19,7 @@
 
 from collections.abc import Mapping
 from dataclasses import dataclass
+from enum import StrEnum
 from typing import Protocol, runtime_checkable
 
 from polyloop.types import (
@@ -30,6 +31,7 @@ from polyloop.types import (
     RunFinished,
     RunStarted,
     StepCompleted,
+    StepRecord,
 )
 
 # ---------------------------------------------------------------------------
@@ -119,14 +121,43 @@ class RunLog:
     finished: RunFinished | None = None
 
 
+class EventKind(StrEnum):
+    """事件的种类。
+
+    **只有一种取值，但 `Event` 从第一天起就带 `kind`。** 加一个取值在类型上是兼容变更，可是
+    对一个「假定每条事件都是步事件」写出来的出口来说，新取值会被静默地当成步事件读。带上
+    `kind` 逼每个出口从第一天起就分发，新取值那天它至少是显式地没被处理。
+
+    加取值要走 `CLAUDE.md` §2 那道人类门，和改停止原因的取值同一档。
+    """
+
+    #: 一步走完，而且是**在这次进程里真的走完的**。从日志里读回来直接跳过的步不发这条。
+    STEP_FINISHED = "step_finished"
+
+
 @dataclass(frozen=True, slots=True, kw_only=True)
 class Event:
     """从事件出口发出去的一条事件。
 
-    **字段还没定。** 事件集与具名回调清单要独立成一份 design doc；在那之前这个类型只有名字，
+    事件集定在 `research-wiki/design/0013-event-set-and-callbacks.md`。**它带的每一条事实在
-    `EventSink.emit` 的签名不会因为它定下来而改变。
+    存储里都另有一份**——这条不变量是「投递失败不打断循环」那条契约成立的前提，不然一个连不上
+    的后端会让一次运行的部分事实静默消失，而运行本身照常返回成功。
+
+    **没有 `schema_version`。** 事件不是持久化结构（`CLAUDE.md` §1.4 管的是会被下游存进数据库
+    或实验数据集的那些）；下游把它存下来时，存的是它自己那张表的 schema。真正需要版本的那部分
+    是步记录，它带着自己的 `schema_version` 一起进来。
     """
 
+    kind: EventKind
+    #: 一个出口可以被并发的多次运行共用，没有这个标识那些事件在出口那边混成一串。
+    run_id: str
+    #: 项目自己那套标识，原样来自请求上的同名字段。**它不能从运行标识倒推**——一次业务会话
+    #: 可能包含多次运行，两者不是一回事。
+    model_binding: Mapping[str, str]
+    #: 整条步记录，不是挑几个字段拼的摘要。摘要是一次投影，而投影会漂移：步记录加一个字段，
+    #: 事件里自动就有，两边不可能对不上。
+    step: StepRecord
+
 
 # ---------------------------------------------------------------------------
 # 五个接缝
@@ -257,6 +288,7 @@ __all__ = [
     "Decision",
     "DecisionParser",
     "Event",
+    "EventKind",
     "EventSink",
     "FinalAnswer",
     "InvalidDecision",

src/polyloop/session/__init__.py

@@ -8,9 +8,9 @@
 一起」，与一次运行怎么称呼是两件事——`session` 在业界普遍指一个长期存在、可以来回对话的
 东西，而这里的治理单位是有界的、一次性的（`0006` 决策一）。
 
-**事件出口现在不发任何事件。** `Event` 还没有字段，事件集与具名回调清单要独立成一份 design
+**事件只在一处发出去**：一步走完、`StepCompleted` 原子落地之后。顺序不能倒过来——先发后写的话，
-doc；在那之前发一条内容为空的事件既没用又会变成一份要兼容的形状。所以 `event_sink` 这个字段
+进程崩在两者之间会让观察者看见一步而存储里没有，而事件流的全部安全性建立在「它带的事实在存储
-收下了但没有调用点，`RunResult.event_delivery_failures` 恒为 0。
+里另有一份」上（`0013` 决策一与决策五）。
 """
 
 import asyncio
@@ -38,6 +38,8 @@ from polyloop.ports import (
     Action,
     ActionExecutor,
     DecisionParser,
+    Event,
+    EventKind,
     EventSink,
     FinalAnswer,
     InvalidDecision,
@@ -234,9 +236,10 @@ def _project_observation(
     得见的东西」，而那种东西必须能进参数快照。执行器每次现造一段文本的话，两次运行之间它可以
     变而不会有任何地方报错，于是「同一份配置跑出来的两次运行」在模型看来其实不同。
 
-    代价是执行器知道的细节丢了（「哪个参数不合法」只有它知道）。接受它，因为另一头的代价更
+    **执行器那段不进历史，但它没有丢**：「一步走完」那条记录落盘的是动作执行接缝的原样返回
-    大；要补的话将来靠事件流把执行器原文送出去做审计——**进历史的东西必须可复现，进审计的
+    值，替换只发生在步记录的这一列上。被拒绝那一档下，它是日志里唯一的拒绝说明（「哪个参数
-    不必**。
+    不合法」只有执行器知道），所以不必再靠事件流把它送出去——事件可丢，而这段文本是审计要的
+    （`0013` 决策六）。
     """
     if outcome.status is ActionStatus.NOT_EXECUTED:
         return synthetic.action_rejected, True, 0
@@ -256,13 +259,16 @@ class _Driver:
     frozen 的，共享它们没有问题。
     """
 
-    __slots__ = ("_counters", "_definition", "_request", "_steps")
+    __slots__ = ("_counters", "_definition", "_event_failures", "_request", "_steps")
 
     def __init__(self, definition: AgentDefinition, request: RunRequest) -> None:
         self._definition = definition
         self._request = request
         self._counters = RunCounters()
         self._steps: list[StepRecord] = []
+        #: 投递失败的次数。**住在这里而不是出口上**——出口挂在定义上、可以被并发的多次运行
+        #: 共用，而这个数属于一次运行的结果。
+        self._event_failures = 0
 
     # -- 写入 ---------------------------------------------------------------
 
@@ -286,6 +292,33 @@ class _Driver:
         )
         self._steps.append(step)
         self._counters = self._counters.with_step_appended()
+        await self._emit_step_finished(step)
+
+    async def _emit_step_finished(self, step: StepRecord) -> None:
+        """把这一步发给事件出口。**只有走到这里的步才发**，从日志里读回来直接跳过的不发。
+
+        补发已经完成的步等于宣称一件早就发生过的事刚刚发生，而接进度表的那一侧会多出一批
+        重复行。观察者要补全前半段，从存储里读。
+
+        **投递失败接住、计数、继续跑**：事件是观察通道不是控制通道，一次运行不该因为进度回写
+        的数据库连不上就终止。接的是 `Exception` 不是 `BaseException`——`CancelledError` 必须
+        原样穿过（`CLAUDE.md` §1.6），在这一下把取消吞掉，取消就会晚一整步才生效。
+
+        **失败不转成一条事件从同一个出口再发一次**：那会自我喂食，一个持续失败的出口会让失败
+        处理路径变成递归，而递归的表现是进程卡住或栈溢出，不是一条错误日志。
+        """
+        try:
+            await self._definition.event_sink.emit(
+                Event(
+                    kind=EventKind.STEP_FINISHED,
+                    run_id=self._request.run_id,
+                    model_binding=self._request.model_binding,
+                    step=step,
+                )
+            )
+        except Exception:
+            self._event_failures += 1
+            logger.exception("运行 %s 第 %d 步的事件投递失败", self._request.run_id, step.step_idx)
 
     async def _finish(self, stop_reason: StopReason, final_answer: str | None = None) -> RunResult:
         """写结束标记，然后返回结果。
@@ -300,6 +333,7 @@ class _Driver:
             stop_reason=stop_reason,
             final_answer=final_answer,
             steps=tuple(self._steps),
+            event_delivery_failures=self._event_failures,
         )
         await self._definition.store.write_run_finished(
             RunFinished(run_id=self._request.run_id, result=result)
@@ -418,6 +452,7 @@ class _Driver:
             stop_reason=StopReason.CANCELLED,
             final_answer=None,
             steps=tuple(self._steps),
+            event_delivery_failures=self._event_failures,
         )
         await self._drain_within_grace(
             asyncio.ensure_future(

tests/contract/conftest.py

@@ -15,7 +15,7 @@ from collections.abc import Mapping
 
 import pytest
 
-from polyloop.ports import Action, Event, ToolCall
+from polyloop.ports import Action, Event, EventKind, ToolCall
 from polyloop.stores import JsonlRunStore
 from polyloop.types import (
     ActionOutcome,
@@ -155,8 +155,13 @@ class _Records:
             tool_call=None if tool_name is None else ToolCall(name=tool_name, arguments={}),
         )
 
-    def event(self) -> Event:
+    def event(self, *, run_id: str = "run-1", step_idx: int = 0) -> Event:
-        return Event()
+        return Event(
+            kind=EventKind.STEP_FINISHED,
+            run_id=run_id,
+            model_binding={"item": "a"},
+            step=self.step(step_idx=step_idx),
+        )
 
 
 @pytest.fixture

tests/contract/test_action_executor.py

@@ -3,10 +3,10 @@
 两个已知形态差别很大：一个把一段代码交给已经开好的容器会话、状态恒为「已执行」，一个查
 工具注册表分发、工具不存在或参数不合法时返回「未执行」。下面每一条都要对两者同时成立。
 
-## 写这份文件时撞出来的、`design/0006` 还答不上的问题
+## 写这份文件时撞出来的两个问题，`design/0007` 决策一与决策二答了
 
-1. 三个状态取值分别在什么条件下被赋上，从来没有正面写过。
+三个状态取值各自在什么条件下被赋上、返回「未执行」时那段观察由谁给。两条的答案都落在
-2. 返回「未执行」时，那段观察是执行器给的还是库合成的——两处都有来源，没说以谁为准。
+**库这一侧**，所以它们的断言不在这份文件里，见文末那两条说明。
 """
 
 import pytest
@@ -70,32 +70,28 @@ async def test_cancellation_propagates_and_is_not_swallowed(action_executor, rec
         await task
 
 
-@pytest.mark.xfail(reason="design/0006 答不上，见 docstring", strict=True)
+def test_status_trigger_conditions_are_asserted_against_the_library_not_here():
-def test_status_values_have_defined_trigger_conditions():
+    """三个状态的触发条件（`design/0007` 决策一）验不到这一层，原因在这里。
-    """三个状态取值各自在什么条件下被赋上。
 
-    `design/0006` 只列了 `EXECUTED` / `NOT_EXECUTED` / `ENV_ERROR` 三个取值，没有正面写过
+    触发条件是**执行器自己的判断**：动作真的跑过了记 `EXECUTED`（哪怕它报错），没进执行
-    触发条件。现在只能从 `SyntheticObservations` 那两个字段名反推——工具不存在或参数不合法
+    记 `NOT_EXECUTED`，环境自己坏了记 `ENV_ERROR`。这套件面对的是一个任意实现，没有办法
-    大概是 `NOT_EXECUTED`，环境故障大概是 `ENV_ERROR`——而「大概」不能写成断言。
+    逼它进入后两档——拿一个「几乎不可能存在的工具名」去探，会把 dissect 那种动作语言里
+    根本没有工具名、状态恒为 `EXECUTED` 的合法实现判成不合格。
 
-    这条不定下来，两个下游会各自理解一套，而两套都不报错：dissect 的执行器状态恒为
+    库这一侧的连带后果是能验的，也验了：`ENV_ERROR` 必然导致 `StopReason.ENV_ERROR`、
-    `EXECUTED`，它撞不到这个分歧；GovDoc 撞得到，但表现是停止原因的分布变了，不是异常。
+    `NOT_EXECUTED` 不终止运行，两条在 `tests/unit/test_session.py` 里。
 
-    还有一处连带的：`ActionStatus.ENV_ERROR` 与 `StopReason.ENV_ERROR` 同名不同类型，前者
+    这条留成一个不断言的说明，是为了让下一个想在这儿补断言的人先看到上面那段。
-    出现是不是必然导致后者，也没写。
     """
-    pytest.fail("三个 ActionStatus 取值的触发条件没有定义")
 
 
-@pytest.mark.xfail(reason="design/0006 答不上，见 docstring", strict=True)
+def test_the_observation_substitution_is_asserted_in_the_library_not_here():
-def test_who_supplies_the_observation_when_the_action_is_rejected():
+    """动作被拒绝时那段观察由库合成（`design/0007` 决策二），而判定发生在库这一侧。
-    """动作被拒绝时，那段观察是执行器给的还是库合成的。
 
-    两处都有来源：执行器的返回值里有 `observation` 字段，而定义上又挂着
+    执行器照常填自己的 `observation`——它不该知道库会不会采用，也不必知道：那段文本仍然
-    `SyntheticObservations.action_rejected`。`design/0006` 没说以谁为准。
+    随「一步走完」记录原样落盘，被拒绝那一档下它是日志里唯一的拒绝说明
+    （`design/0013` 决策六）。库只是不让它进历史，因为模型看得见的东西必须能进参数快照。
 
-    这不是风格问题。如果以库为准，执行器填的那段就被丢掉，而它可能带着「哪个参数不合法」
+    「库替换了它」是整次运行的行为，断言在 `tests/unit/test_session.py`，不在这个接缝的
-    这种只有执行器知道的信息；如果以执行器为准，那 `SyntheticObservations` 那个字段永远
+    契约里。
-    用不上，它就是个死字段。而 `observation_is_synthetic` 该填什么，取决于这个答案。
     """
-    pytest.fail("动作被拒绝时观察的来源没有定义")

tests/contract/test_decision_parser.py

@@ -3,13 +3,15 @@
 两个已知形态：一个从代码围栏里抽 Python 源码，一个从 JSON 里抽工具名与参数。库不带任何
 默认实现——带了就等于替某一家定了动作语言。
 
-## 写这份文件时撞出来的、`design/0006` 还答不上的问题
+## 写这份文件时撞出来的那个问题，`design/0007` 决策三答了
 
-模型输出完全无法解释时，解释器是返回「无效决策」还是抛异常。
+模型输出完全无法解释时，解释器返回「无效决策」，不抛异常。下面最后一条断言它。
 """
 
 import pytest
 
+from polyloop.ports import InvalidDecision
+
 pytestmark = pytest.mark.contract
 
 
@@ -67,15 +69,16 @@ def test_action_carries_its_trace_form(decision_parser, samples):
     assert isinstance(parsed.decision.text, str)
 
 
-@pytest.mark.xfail(reason="design/0006 答不上，见 docstring", strict=True)
+def test_unparseable_output_returns_invalid_decision_rather_than_raising(decision_parser, samples):
-def test_unparseable_output_returns_invalid_decision_rather_than_raising():
+    """模型输出完全无法解释时返回「无效决策」，不抛异常（`design/0007` 决策三）。
-    """模型输出完全无法解释时，解释器返回「无效决策」还是抛异常。
 
-    `design/0006` 定了三个分支——动作、最终回答、无效决策——但没说「解释器可以抛异常吗」。
     两条路后果完全不同：返回无效决策，那一步照常留痕、说明文本回喂给模型、循环继续；抛
     异常，库要么把它翻译成某个停止原因终止整次运行，要么让它穿出去炸掉调用方。
 
     dissect 的解析器不抛异常，所以它撞不到这个分歧。但契约测试是**任何新适配器的准入
-    标准**，一个会抛异常的实现照现在的契约既不算违规也不算合规。
+    标准**，所以这条要正面断言，不能靠「反正没人这么写」。
     """
-    pytest.fail("解释器能不能抛异常、抛了怎么办，没有定义")
+    parsed = decision_parser.parse(samples.yields_invalid)
+
+    assert isinstance(parsed.decision, InvalidDecision)
+    assert parsed.decision.explanation != ""

tests/contract/test_event_sink.py

@@ -3,10 +3,11 @@
 两个已知形态差别在可靠性要求上：一个把进度逐步回写业务数据库供前端轮询（要求低延迟、
 可以丢），一个把审计事件送进日志管道（要求不丢、可以慢）。
 
-## 写这份文件时撞出来的、`design/0006` 还答不上的问题
+## 写这份文件时撞出来的问题，`design/0013` 答了
 
-`Event` 只有一个名字，没有字段，所以这个接缝的契约现在只能验「投递失败不打断循环」这一半，
+「发出去的事件里有什么」当时验不了，因为 `Event` 只有一个名字没有字段。现在事件集定下来了，
-验不了「发出去的事件里有什么」。
+而答案把这份文件里的两条测试都挪走了——它们要断言的行为都在库那一侧，不在出口这一侧，见文末
+那两条说明。
 """
 
 import pytest
@@ -19,7 +20,7 @@ async def test_emit_accepts_an_event(event_sink, records):
     await event_sink.emit(records.event())
 
 
-def test_a_sink_is_allowed_to_raise_on_delivery_failure():
+def test_a_raising_sink_is_compliant_so_this_layer_asserts_nothing():
     """**这一层不断言「emit 不抛」——一个后端连不上时抛异常的出口是合规实现。**
 
     契约写的是「投递失败由**库**捕获、记日志、把失败计数加一，然后继续跑」，所以要断言的
@@ -32,28 +33,26 @@ def test_a_sink_is_allowed_to_raise_on_delivery_failure():
     """
 
 
-@pytest.mark.xfail(reason="事件集还没定，见 docstring", strict=True)
+def test_the_no_re_emission_guarantee_is_asserted_in_the_library_not_here():
-def test_failure_is_not_re_emitted_through_the_same_sink():
+    """投递失败不再转成一条事件从同一个出口发出去（`design/0013` 决策七）。
-    """投递失败不再转成一条事件从同一个出口发出去。
 
     那会自我喂食：一个持续失败的出口会让失败处理路径变成递归，而递归的表现是进程卡住或
     栈溢出，不是一条错误日志。
 
-    **这条现在验不了**，因为验它要求能识别「这是一条失败事件」，而 `Event` 还没有字段——
+    **要断言的是库有没有再发一次，那是整次运行的行为**，所以断言在
-    `design/0006` 里它只有一个名字。方向已经定了（观察走事件流、干预走具名回调），但事件
+    `tests/unit/test_session.py` 里——那边用一个恒抛异常的出口跑完一次运行，验出口收到的
-    集与回调清单要独立成一份 design doc，这条要等到那时候。
+    条数恰好等于步数。这个接缝自己看不到「库发了几次」。
     """
-    pytest.fail("Event 还没有字段，识别不了「失败事件」")
 
 
-@pytest.mark.xfail(reason="事件集还没定，见 docstring", strict=True)
+def test_the_audit_trail_is_asserted_against_the_log_not_here():
-def test_audit_events_carry_both_raw_and_repaired_model_output():
+    """审计纪律由存储承担，不由事件流承担（`design/0013` 决策二）。
-    """审计事件要同时带模型原文与修复之后的结果。
 
     GovDoc 有一条硬纪律：agent 的原始输出、修复后的输出、恢复来源全程留痕，禁止静默修复。
-    它现有的审计出口是一个「发一条带类型和载荷的事件」的接口，迁移之后这条纪律要由事件流
+    这条测试原来断言「事件要同时带原文与修复后的文本」，而那个前提是错的——事件流可丢，
-    承载——能不能承载，取决于事件里带不带这两样。
+    一件只存在于可丢通道里的事实撑不起「禁止静默修复」。
 
-    这是 `../research-wiki/migrations/govdoc-saas.md` 缺口登记里那一条，同样等事件集定下来。
+    两份文本在意图日志里各有位置：原文在模型调用结果记录的回复里，修复后的那份是步记录的
+    `raw_output`。断言落在 `tests/unit/test_session.py`，因为要跑完一次完整运行再把日志读
+    回来，而这个接缝的契约只看得见一个出口实现。
     """
-    pytest.fail("Event 还没有字段，承载不了审计纪律")

tests/e2e/test_real_gateway_run.py

@@ -0,0 +1,421 @@
+"""打真实模型网关的那一层：一次运行真的从模型走到工具再走回来。
+
+**这一层叫 e2e，因为它连的是真实模型网关**（`CLAUDE.md` §1.9 的分层判据是「依赖什么」）。
+它会产生真实的模型调用与真实的费用，所以它是唯一一层默认不跑的测试——`pyproject.toml` 的
+`addopts` 里有 `-m 'not e2e'`，`make ci` 因此跑不到这里。要跑它得显式写 `pytest -m e2e`。
+
+**两道跳过闸，缺一不可。** 第一道是网关装没装（没装 `polyloop[gateway]` 就整份文件跳过）；
+第二道是 `POLYLOOP_E2E` 这个开关等不等于 `"1"`。分成两件事是因为**填好密钥不等于同意花钱**：
+只看密钥的话，任何人配好 `.env` 之后随手跑一次全套测试就会打出去一串真实调用并产生真实账单，
+而他本来只是想看看测试过不过。开关的读法与网关一致——先读当前工作目录下的 `.env`，再让环境
+变量覆盖它，所以临时开一次不必改文件。
+
+**这里自带三样真实实现：决策解释器、工具注册表、事件出口。** 库故意不带它们（带了就等于替
+某一家定了动作语言），而没有它们循环就走不起来。它们住在测试里，不是库的一部分。
+
+**断言只绑结构不变量，一条都不绑模型输出的文字内容。** 模型是不确定的，绑内容的测试会随机
+红，而随机红的测试很快就会被所有人忽略，然后这一层就不再拦得住任何东西。
+"""
+
+import asyncio
+import json
+import os
+import re
+from collections.abc import Mapping
+
+import pytest
+
+polygateway = pytest.importorskip(
+    "polygateway", reason="没装 polyloop[gateway]，打真实网关这一层跳过"
+)
+
+from dotenv import dotenv_values  # noqa: E402
+from polygateway import GatewayClient, GatewaySettings  # noqa: E402
+
+from polyloop.adapters import GatewayModelClient  # noqa: E402
+from polyloop.ports import (  # noqa: E402
+    Action,
+    Event,
+    FinalAnswer,
+    InvalidDecision,
+    ModelCall,
+    ParsedReply,
+    ToolCall,
+)
+from polyloop.session import AgentDefinition, RunRequest, run  # noqa: E402
+from polyloop.stores import JsonlRunStore  # noqa: E402
+from polyloop.tools import ToolRegistry, ToolSpec  # noqa: E402
+from polyloop.types import (  # noqa: E402
+    ActionStatus,
+    Budget,
+    Context,
+    Message,
+    ModelReply,
+    ReplayPolicy,
+    Role,
+    StopReason,
+    SyntheticObservations,
+    TextBlock,
+)
+
+pytestmark = pytest.mark.e2e
+
+#: 开关的读法与网关一致：`.env` 在下、环境变量在上。两份都读是因为密钥本来就在 `.env` 里，
+#: 而临时开一次 e2e 不该逼人去改那个文件。
+_ENV = {**dotenv_values(".env"), **os.environ}
+
+if _ENV.get("POLYLOOP_E2E") != "1":
+    pytest.skip(
+        "POLYLOOP_E2E 不是 1：这一层会打真实模型网关并产生真实费用，默认不跑",
+        allow_module_level=True,
+    )
+
+
+# ---------------------------------------------------------------------------
+# 动作协议：模型每一轮只输出一个 JSON 对象
+# ---------------------------------------------------------------------------
+
+#: 讲给模型听的那份协议。**写得极其明确并给一个例子**——模型只有照这个格式输出，循环才走得
+#: 下去。指望它猜的话，第一轮就会得到一段散文，然后这次运行以连续解析失败收尾，而那个红叉
+#: 看起来像是库坏了。
+_PROTOCOL = """你在一个自动循环里工作。每一轮你**只能输出一个 JSON 对象**，前后不许有任何别的文字、说明或标点。
+
+要调用工具，输出：
+{"tool": "工具名", "args": {"参数名": 参数值}}
+
+要给出最终回答，输出：
+{"final": "你的回答"}
+
+可用的工具只有两个：
+- add：把两个数相加。参数 a 和 b 都是数字。
+- submit：提交结果。参数 answer 是一个字符串。调用它就表示这次工作做完了。
+
+例子——要算 3 加 4，你这一轮就输出：
+{"tool": "add", "args": {"a": 3, "b": 4}}
+
+每一轮之后你会收到一条以「观察：」开头的消息，那是上一次工具调用返回的内容。"""
+
+_GOAL = "请先用 add 算出 17 加 25，拿到结果之后用 submit 把那个结果提交上去。"
+
+_OBSERVATION_TEMPLATE = "观察：{observation}"
+
+#: 代码围栏。模型很常把 JSON 包在 ```json ... ``` 里，剥不掉的话每一轮都会解析失败。
+_FENCE = re.compile(r"```[A-Za-z0-9_+-]*\n(?P<body>.*?)```", re.DOTALL)
+
+
+def _json_payload(text: str) -> str:
+    """把模型这一轮的输出削到只剩那个 JSON 对象。
+
+    两步都是必要的：先剥围栏，再取最外层花括号之间的那一段。只剥围栏的话，模型在 JSON 前后
+    写一句「好的，我来算一下」就解析不了；只取花括号的话，围栏里带语言标签的那种输出会把
+    ```json 一起吃进去。围栏没有闭合时第一步不匹配，第二步照样能把 JSON 捞出来。
+    """
+    body = text.strip()
+    fenced = _FENCE.search(body)
+    if fenced is not None:
+        body = fenced.group("body")
+    start = body.find("{")
+    end = body.rfind("}")
+    if start != -1 and end > start:
+        body = body[start : end + 1]
+    return body.strip()
+
+
+class _JsonDecisionParser:
+    """按上面那份协议解释一次模型回复。
+
+    **对任何输入都返回 `ParsedReply`，绝不抛异常**（`design/0007` 决策三）。解释不出来是正常
+    路径的一部分——模型输出不合格式是每天都在发生的事，而抛异常会让库去替它编一个停止原因，
+    于是「解释器有 bug」被伪装成「这次运行以某某原因结束」，然后进下游的统计。
+
+    每一种失败给一条**对症**的说明，因为那段文本就是回喂给模型的观察。压成一句「格式错误」
+    的话，模型不知道自己错在哪，下一轮多半照错一遍。
+    """
+
+    def parse(self, reply: ModelReply) -> ParsedReply:
+        payload = _json_payload(reply.content)
+        try:
+            decoded = json.loads(payload)
+        except json.JSONDecodeError as exc:
+            return self._invalid(
+                reply,
+                f"这一轮的输出不是一个 JSON 对象（{exc.msg}）。"
+                '只输出一个 JSON 对象，形如 {"tool": "add", "args": {"a": 1, "b": 2}}，前后不要有别的文字。',
+            )
+        if not isinstance(decoded, dict):
+            return self._invalid(
+                reply,
+                f"解出来的是 {type(decoded).__name__} 而不是一个 JSON 对象。"
+                '只输出一个 JSON 对象，形如 {"tool": "add", "args": {"a": 1, "b": 2}}。',
+            )
+        if "final" in decoded:
+            return ParsedReply(
+                history_text=reply.content, decision=FinalAnswer(text=str(decoded["final"]))
+            )
+        if "tool" not in decoded:
+            return self._invalid(
+                reply,
+                '这个 JSON 对象里既没有 "tool" 也没有 "final"。调工具用 '
+                '{"tool": ..., "args": {...}}，给最终回答用 {"final": "..."}。',
+            )
+        name = decoded["tool"]
+        if not isinstance(name, str):
+            return self._invalid(reply, '"tool" 必须是一个字符串，也就是工具的名字。')
+        arguments = decoded.get("args", {})
+        if not isinstance(arguments, dict):
+            return self._invalid(
+                reply, '"args" 必须是一个 JSON 对象，键是参数名，例如 {"a": 1, "b": 2}。'
+            )
+        return ParsedReply(
+            history_text=reply.content,
+            decision=Action(
+                text=f"{name}({json.dumps(arguments, ensure_ascii=False, sort_keys=True)})",
+                tool_call=ToolCall(name=name, arguments=arguments),
+            ),
+        )
+
+    def parameters(self) -> Mapping[str, str]:
+        return {"kind": "json-tool-or-final"}
+
+    @staticmethod
+    def _invalid(reply: ModelReply, explanation: str) -> ParsedReply:
+        return ParsedReply(
+            history_text=reply.content, decision=InvalidDecision(explanation=explanation)
+        )
+
+
+# ---------------------------------------------------------------------------
+# 工具：纯计算，不碰文件系统、网络、子进程
+# ---------------------------------------------------------------------------
+
+
+async def _add(arguments: Mapping[str, object]) -> str:
+    """两数相加。
+
+    注册表已经按 schema 校验过类型，这里仍然自己判一次：校验的是 JSON Schema 的一个子集，
+    而一个 `TypeError` 从这里抛出去会被判成「已执行」加一条正常观察，模型看不出该怎么改。
+    """
+    a, b = arguments.get("a"), arguments.get("b")
+    if not isinstance(a, int | float) or not isinstance(b, int | float):
+        return "a 和 b 都必须是数字。"
+    return str(a + b)
+
+
+async def _submit(arguments: Mapping[str, object]) -> str:
+    return f"收到：{arguments.get('answer')}"
+
+
+def _registry() -> ToolRegistry:
+    """本次运行可见的两个工具。
+
+    `submit` 带完成标记，这样运行有一条确定的收尾路径——没有它的话，这次运行只能靠模型自己
+    给最终回答或者撞上步数上限收尾，而那两条路一条不确定、一条要多花几次调用。
+    """
+    return ToolRegistry(
+        (
+            ToolSpec(
+                name="add",
+                description="把两个数相加，返回它们的和。",
+                parameters={
+                    "type": "object",
+                    "properties": {"a": {"type": "number"}, "b": {"type": "number"}},
+                    "required": ["a", "b"],
+                    "additionalProperties": False,
+                },
+                # 纯计算，重复算一次无害。
+                replay_policy=ReplayPolicy.SAFE,
+                handler=_add,
+            ),
+            ToolSpec(
+                name="submit",
+                description="提交最终结果。调用它就表示这次工作做完了。",
+                parameters={
+                    "type": "object",
+                    # 允许数字：模型很常把算出来的数原样填进来，只认字符串的话那次调用会被
+                    # 判成参数不合法，白花一次调用去纠正一个与本层无关的形式问题。
+                    "properties": {"answer": {"type": ["string", "number"]}},
+                    "required": ["answer"],
+                    "additionalProperties": False,
+                },
+                completes_run=True,
+                handler=_submit,
+            ),
+        )
+    )
+
+
+# ---------------------------------------------------------------------------
+# 事件出口
+# ---------------------------------------------------------------------------
+
+
+class _RecordingEventSink:
+    """把收到的事件记进列表。一次运行一个实例，不跨运行复用。"""
+
+    def __init__(self) -> None:
+        self.events: list[Event] = []
+
+    async def emit(self, event: Event) -> None:
+        self.events.append(event)
+
+    def parameters(self) -> Mapping[str, str]:
+        return {"kind": "recording"}
+
+
+# ---------------------------------------------------------------------------
+# 装配
+# ---------------------------------------------------------------------------
+
+
+@pytest.fixture
+async def model_client():
+    """一个连着真实网关的模型客户端。
+
+    客户端持有连接池，用完必须 `aclose()`——不关的话每个用例漏一份连接池，而表现只是事件
+    循环关闭时的一串告警。
+    """
+    client = GatewayClient.from_env()
+    try:
+        yield GatewayModelClient(client=client, settings=GatewaySettings.from_env())
+    finally:
+        await client.aclose()
+
+
+def _text(role: Role, text: str) -> Message:
+    return Message(role=role, content=(TextBlock(text=text),))
+
+
+def _definition(model_client, store: JsonlRunStore, sink: _RecordingEventSink) -> AgentDefinition:
+    return AgentDefinition(
+        model_client=model_client,
+        decision_parser=_JsonDecisionParser(),
+        store=store,
+        event_sink=sink,
+        synthetic_observations=SyntheticObservations(
+            action_rejected="这次工具调用没有执行：工具名或参数不合法。改过之后重新输出一个 JSON 对象。",
+            env_failed="环境出错了，这次工具调用没有产生结果。",
+            model_call_failed="上一次模型调用失败了。",
+        ),
+    )
+
+
+def _request(run_id: str) -> RunRequest:
+    """一次运行的装配。
+
+    `max_steps` 取 3：这次运行正常走完是两步（算一次、提交一次），留一步的余量给模型偶尔多说
+    一轮。**上限压得这么低是为了控制费用**——这一层每跑一次都在花钱，而它要证明的事（链路通不通）
+    两步就证明完了。
+    """
+    registry = _registry()
+    return RunRequest(
+        run_id=run_id,
+        budget=Budget(
+            max_steps=3,
+            max_actions=3,
+            max_consecutive_parse_failures=2,
+            max_prompt_chars=20_000,
+        ),
+        action_executor=registry.executor(),
+        tools=registry,
+        context=Context(
+            run_level=(_text(Role.SYSTEM, _PROTOCOL),),
+            goal_level=(_text(Role.USER, _GOAL),),
+        ),
+        injections={},
+        model_binding={},
+        model_replay_policy=ReplayPolicy.NEVER,
+        observation_template=_OBSERVATION_TEMPLATE,
+        cancel_grace_seconds=5.0,
+    )
+
+
+# ---------------------------------------------------------------------------
+# 用例一：完整闭环
+# ---------------------------------------------------------------------------
+
+#: 这次运行走完之后可以落在的两个停止原因。
+#:
+#: 两个都算正常终态，因为两者都意味着**循环自己走到了头**：`TASK_COMPLETED` 是模型调了带完成
+#: 标记的工具，`AGENT_FINISHED` 是模型算完之后直接给了最终回答。只写前一个的话，模型选了后
+#: 一条同样合法的路，这条测试就会红。预算耗尽、连续解析失败、模型调用失败都不在里面——那些
+#: 是循环没走通。
+_CLOSED_LOOP_STOP_REASONS = (StopReason.TASK_COMPLETED, StopReason.AGENT_FINISHED)
+
+
+async def test_a_real_run_goes_from_model_through_a_tool_and_back(model_client, tmp_path) -> None:
+    """一次运行走通「模型 → 解释 → 工具执行 → 观察回填 → 再问模型 → 收尾」。"""
+    store = JsonlRunStore(directory=tmp_path)
+    sink = _RecordingEventSink()
+    request = _request("e2e-closed-loop")
+
+    result = await run(_definition(model_client, store, sink), request)
+
+    assert result.stop_reason in _CLOSED_LOOP_STOP_REASONS
+    # 只走一次模型调用不算闭环：那种运行证明的只是「请求发得出去」，证明不了观察回填之后模型
+    # 还能接着往下走。
+    assert len(result.steps) >= 2
+    assert any(step.action_status is ActionStatus.EXECUTED for step in result.steps)
+    for step in result.steps:
+        # 调用标识是「真的打出去过」的硬证据：它由网关那边生成，替身给不出来。
+        assert step.call_id, f"第 {step.step_idx} 步没有调用标识"
+        assert step.prompt_chars > 0, f"第 {step.step_idx} 步的提示词规模是 0"
+        assert step.step_wall_ms > 0, f"第 {step.step_idx} 步的墙钟是 0"
+
+    # 往返等价：日志读回来的步序列与返回值逐字段相等。不等的话，下游拿轨迹做的分析和拿返回值
+    # 做的分析会得出不同的结论，而两边都自称是这次运行。
+    log = await store.read_log(request.run_id)
+    assert tuple(entry.step for entry in log.steps) == result.steps
+    assert log.finished is not None
+    assert log.finished.result.stop_reason is result.stop_reason
+
+    assert len(sink.events) == len(result.steps)
+
+
+# ---------------------------------------------------------------------------
+# 用例二：取消穿透
+# ---------------------------------------------------------------------------
+
+
+class _EntryAnnouncingClient:
+    """转发给真客户端，并在进入那次调用时打一个信号。
+
+    取消要落在**真实的 HTTP 请求途中**才验得到东西。靠 `sleep` 猜时机的话，慢一点就落在解释
+    或工具执行上、快一点就落在调用发出之前，而两种落空都表现成一条绿的测试。这个信号把时机
+    收成确定的：它一亮，下一个 await 就是那次真实请求。
+    """
+
+    def __init__(self, inner) -> None:
+        self._inner = inner
+        self.entered = asyncio.Event()
+
+    async def call(self, call: ModelCall) -> ModelReply:
+        self.entered.set()
+        return await self._inner.call(call)
+
+    def parameters(self) -> Mapping[str, str]:
+        return self._inner.parameters()
+
+
+async def test_cancellation_passes_through_a_real_model_call(model_client, tmp_path) -> None:
+    """取消能穿过真实的网络调用，并且留下一条以「已取消」收尾的结束记录。
+
+    结束记录是这条测试的另一半：没有它，恢复读到的是一次没有结束标记的运行，会被当成可以
+    续跑——而它其实是被人主动叫停的。
+    """
+    store = JsonlRunStore(directory=tmp_path)
+    sink = _RecordingEventSink()
+    request = _request("e2e-cancelled")
+    client = _EntryAnnouncingClient(model_client)
+
+    task = asyncio.create_task(run(_definition(client, store, sink), request))
+    await asyncio.wait_for(client.entered.wait(), timeout=30)
+    # 信号亮起时那次请求还没被 await。让出一小会儿，取消就确实落在请求飞在网上的那段。
+    await asyncio.sleep(0.5)
+    task.cancel()
+
+    with pytest.raises(asyncio.CancelledError):
+        await task
+
+    log = await store.read_log(request.run_id)
+    assert log.finished is not None, "取消之后没有结束记录，这次运行看起来还能续跑"
+    assert log.finished.result.stop_reason is StopReason.CANCELLED

tests/unit/test_session.py

@@ -14,6 +14,7 @@ import pytest
 from polyloop._recovery import CorruptLogError
 from polyloop.ports import (
     Action,
+    EventKind,
     FinalAnswer,
     InvalidDecision,
     ModelCall,
@@ -46,6 +47,7 @@ from polyloop.types import (
     RunFinished,
     RunStarted,
     StepCompleted,
+    StepRecord,
     StopReason,
     SyntheticObservations,
     TextBlock,
@@ -191,12 +193,14 @@ def _outcome(
     )
 
 
-def _definition(store: FakeStore, model: FakeModel, parser: FakeParser) -> AgentDefinition:
+def _definition(
+    store: FakeStore, model: FakeModel, parser: FakeParser, sink: object | None = None
+) -> AgentDefinition:
     return AgentDefinition(
         model_client=model,
         decision_parser=parser,
         store=store,
-        event_sink=FakeSink(),
+        event_sink=sink or FakeSink(),  # type: ignore[arg-type]
         synthetic_observations=SYNTHETIC,
     )
 
@@ -1030,3 +1034,229 @@ def test_an_empty_call_id_is_refused_at_construction() -> None:
     """空串是个看起来合法的键，连表时静默匹配不上，而 None 至少能被显式筛出来。"""
     with pytest.raises(ValueError, match="call_id"):
         ModelReply(call_id="", content="hi", thinking="")
+
+
+# ---------------------------------------------------------------------------
+# 事件出口
+# ---------------------------------------------------------------------------
+
+
+class _RaisingSink(FakeSink):
+    """按脚本抛异常的出口。抛完仍然把这条记下来，好断言「库有没有再发一次」。"""
+
+    def __init__(self, error: BaseException) -> None:
+        super().__init__()
+        self._error = error
+
+    async def emit(self, event: object) -> None:
+        self.events.append(event)
+        raise self._error
+
+
+async def test_every_step_emits_one_event_carrying_the_whole_record() -> None:
+    """一步一条，带的是整条步记录而不是挑几个字段拼的摘要。
+
+    摘要是一次投影，而投影会漂移——步记录加一个字段，带整条的话事件里自动就有。
+    """
+    store = FakeStore()
+    sink = FakeSink()
+    model = FakeModel([_reply("go"), _reply("go")])
+    definition = _definition(store, model, FakeParser({"go": ACT}), sink)
+
+    result = await run(definition, _request(FakeExecutor([_outcome(), _outcome(completed=True)])))
+
+    assert [event.kind for event in sink.events] == [EventKind.STEP_FINISHED] * 2
+    assert [event.step for event in sink.events] == list(result.steps)
+
+
+async def test_the_event_carries_the_run_id_and_the_project_binding() -> None:
+    """运行标识让共用同一个出口的并发运行分得开；绑定没法从运行标识倒推。"""
+    store = FakeStore()
+    sink = FakeSink()
+    definition = _definition(store, FakeModel([_reply("go")]), FakeParser({"go": ACT}), sink)
+
+    await run(
+        definition,
+        _request(FakeExecutor([_outcome(completed=True)]), binding={"item": "a", "task": "t7"}),
+    )
+
+    (event,) = sink.events
+    assert event.run_id == "run-1"
+    assert event.model_binding == {"item": "a", "task": "t7"}
+
+
+async def test_the_event_goes_out_after_the_step_landed_not_before() -> None:
+    """先发后写的话，进程崩在两者之间会让观察者看见一步而存储里没有。
+
+    事件流的全部安全性建立在「它带的事实在存储里另有一份」上，而这个顺序是那条不变量在
+    崩溃点上的兑现方式。
+    """
+    store = FakeStore()
+    seen_at_emit: list[int] = []
+
+    class _OrderSink(FakeSink):
+        async def emit(self, event: object) -> None:
+            seen_at_emit.append(len(store.of_type(StepCompleted)))
+            await super().emit(event)
+
+    definition = _definition(
+        store, FakeModel([_reply("go")]), FakeParser({"go": ACT}), _OrderSink()
+    )
+
+    await run(definition, _request(FakeExecutor([_outcome(completed=True)])))
+
+    assert seen_at_emit == [1]
+
+
+async def test_a_failing_sink_does_not_stop_the_run_and_is_counted() -> None:
+    """事件是观察通道不是控制通道：进度回写的数据库连不上，运行照跑完。
+
+    计数放在返回值上而不是只记日志，因为日志没人看。
+    """
+    store = FakeStore()
+    sink = _RaisingSink(ConnectionError("进度库连不上"))
+    model = FakeModel([_reply("go"), _reply("go")])
+    definition = _definition(store, model, FakeParser({"go": ACT}), sink)
+
+    result = await run(definition, _request(FakeExecutor([_outcome(), _outcome(completed=True)])))
+
+    assert result.stop_reason is StopReason.TASK_COMPLETED
+    assert len(result.steps) == 2
+    assert result.event_delivery_failures == 2
+
+
+async def test_a_delivery_failure_is_not_re_emitted_through_the_same_sink() -> None:
+    """失败不转成一条事件从同一个出口再发一次——那会自我喂食。
+
+    一个持续失败的出口会让失败处理路径变成递归，而递归的表现是进程卡住或栈溢出，不是一条
+    错误日志。所以出口收到的条数必须恰好等于步数。
+    """
+    store = FakeStore()
+    sink = _RaisingSink(ConnectionError("一直连不上"))
+    definition = _definition(store, FakeModel([_reply("go")]), FakeParser({"go": ACT}), sink)
+
+    result = await run(definition, _request(FakeExecutor([_outcome(completed=True)])))
+
+    assert len(sink.events) == len(result.steps) == 1
+
+
+async def test_cancellation_during_delivery_is_not_swallowed() -> None:
+    """接的是 `Exception` 不是 `BaseException`：在这一下吞掉取消，取消会晚一整步才生效。"""
+    store = FakeStore()
+    sink = _RaisingSink(asyncio.CancelledError())
+    definition = _definition(store, FakeModel([_reply("go")]), FakeParser({"go": ACT}), sink)
+
+    with pytest.raises(asyncio.CancelledError):
+        await run(definition, _request(FakeExecutor([_outcome(completed=True)])))
+
+    finished = store.of_type(RunFinished)
+    assert finished[0].result.stop_reason is StopReason.CANCELLED  # type: ignore[attr-defined]
+    assert finished[0].result.event_delivery_failures == 0  # type: ignore[attr-defined]
+
+
+async def test_steps_read_back_from_the_log_are_not_re_emitted() -> None:
+    """续跑不给已经完成的步补发事件。
+
+    补发等于宣称一件早就发生过的事刚刚发生，而接进度表的那一侧会多出一批重复行。判据是这次
+    进程里有没有真的执行过，观察者要补全前半段就从存储里读。
+    """
+    sink = FakeSink()
+    store = FakeStore()
+    definition = _definition(store, FakeModel([_reply("go")]), FakeParser({"go": ACT}), sink)
+    request = _request(FakeExecutor([_outcome(completed=True)]))
+    store._log = _log_with_one_finished_step(  # noqa: SLF001
+        {**definition.parameter_snapshot(), **request.parameter_snapshot()}
+    )
+
+    result = await resume(definition, request)
+
+    # 第 0 步是从日志里读回来的，第 1 步是这次进程里真的走的。只有后者发了事件。
+    assert [step.step_idx for step in result.steps] == [0, 1]
+    assert [event.step.step_idx for event in sink.events] == [1]
+
+
+def _log_with_one_finished_step(snapshot: Mapping[str, str]) -> RunLog:
+    """一份「第 0 步完整走完、还没写结束记录」的日志。
+
+    手工搭而不是先跑一次再续跑：跑出来的那一步要么带完成信号（续跑会当场收尾，走不到第二步），
+    要么撞预算上限（续跑在预算准入那一档就停了），两种都验不到「读回来的不发、真跑的发」这条
+    边界。
+    """
+    outcome = _outcome()
+    return RunLog(
+        started=RunStarted(run_id="run-1", parameter_snapshot=snapshot),
+        intents=(
+            Intent(
+                run_id="run-1",
+                kind=IntentKind.MODEL_CALL,
+                call_index=0,
+                result_id="run-1#model#0",
+                replay_policy=ReplayPolicy.NEVER,
+            ),
+            Intent(
+                run_id="run-1",
+                kind=IntentKind.ACTION,
+                call_index=0,
+                result_id="run-1#action#0",
+                replay_policy=ReplayPolicy.NEVER,
+            ),
+        ),
+        model_results=(
+            ModelCallResult(
+                run_id="run-1", result_id="run-1#model#0", reply=_reply("go"), failure=None
+            ),
+        ),
+        steps=(
+            StepCompleted(
+                run_id="run-1",
+                result_id="run-1#action#0",
+                action_outcome=outcome,
+                step=StepRecord(
+                    step_idx=0,
+                    raw_output="go",
+                    content_chars=2,
+                    thinking_chars=0,
+                    action="做点事",
+                    parse_ok=True,
+                    parse_error=None,
+                    observation=outcome.observation,
+                    observation_is_synthetic=False,
+                    observation_truncated_chars=0,
+                    prompt_chars=10,
+                    call_id="c1",
+                    step_wall_ms=1,
+                    action_status=ActionStatus.EXECUTED,
+                    env_reported_completion=False,
+                ),
+            ),
+        ),
+    )
+
+
+async def test_the_log_keeps_both_the_raw_and_the_repaired_model_output() -> None:
+    """模型原文与解释器改写之后的文本各有位置，两份都不可丢（`design/0013` 决策二）。
+
+    GovDoc 有一条硬纪律：agent 的原始输出、修复后的输出、恢复来源全程留痕，禁止静默修复。
+    承载它的是意图日志而不是事件流——事件可丢，一件只存在于可丢通道里的事实撑不起「禁止
+    静默修复」。
+
+    两份文本天然分开存，是写入序列决定的：模型调用结算时写结果记录，那时还没解释；解释完、
+    动作走完之后才写步记录，那里面的文本是解释器交回来的。
+    """
+
+    class _RewritingParser(FakeParser):
+        """把第一个代码围栏之后的内容整段丢掉——模型常在代码块后面编造执行结果。"""
+
+        def parse(self, reply: ModelReply) -> ParsedReply:
+            return ParsedReply(history_text=reply.content.split("|", 1)[0], decision=ACT)
+
+    store = FakeStore()
+    definition = _definition(
+        store, FakeModel([_reply("真动作|模型编的执行结果")]), _RewritingParser({})
+    )
+
+    result = await run(definition, _request(FakeExecutor([_outcome(completed=True)])))
+
+    (call_result,) = store.of_type(ModelCallResult)
+    assert call_result.reply.content == "真动作|模型编的执行结果"  # type: ignore[attr-defined,union-attr]
+    assert result.steps[0].raw_output == "真动作"