docs(designs): apply Codex review fixes to Spec-1/2/3

research-wiki/designs/2026-07-11-question-gen-v2-design.md

@@ -43,6 +43,18 @@ graph LR
 | 视觉族 | 状态演化多帧、实例消歧数字 | 证据仅在帧内、不在任何 card 文本；多时刻真实读数做干扰项 | M4 视觉验证 | 15% |
 | 空间族 | 参照系空间 | spatial_layout 字段 + 时间锚；摄像机/被摄者双参照系 | T5 空间 | 10% |
 
+**题族 × task_type 兼容矩阵**（Codex 审查补充；✓=合法组合，采样器按此分配双标签，保证 12 类各 20 题的硬约束可满足）：
+
+| 题族 | 合法 task_type |
+|------|---------------|
+| 检索族 | Object Recognition、Object Reasoning、Action Recognition、Attribute Perception、OCR Problems |
+| 推理族 | Action Reasoning、Object Reasoning、Information Synopsis |
+| 枚举族 | Counting Problem、Temporal Reasoning、Temporal Perception、Information Synopsis |
+| 视觉族 | Attribute Perception、Counting Problem、OCR Problems、Action Recognition |
+| 空间族 | Spatial Perception、Spatial Reasoning |
+
+每个 task_type 至少落入一个题族；Spatial 两类仅由空间族供给。**"不出 T1 类素材题"是素材形态禁用**（不采瞬时动作/记分牌瞬时数值/无对白因果类素材），不删除任何 Video-MME task_type。
+
 ### 2.2 确定性后处理（零 LLM 成本，通用硬约束）
 
 1. **选项 shuffle** + 答案字母重映射（修复 v1 答案 57% 在 A 的偏斜）
@@ -77,8 +89,15 @@ graph LR
 | 项 | 决策 |
 |----|------|
 | 旧 240 题 | 原地保留 `store/questions/generated/`（infer_gen240 run 引用它，保可复现） |
-| 新题集 | `store/questions/generated-v2/`，workspace 以 `--questions generated-v2` 指向 |
+| 新题集 | `store/questions/generated-v2/`，布局与 v1 一致：`{video_id}.json` 平铺（无子目录）。CLI 示例：生成 `python tools/generate_questions.py generate --output-dir store/questions/generated-v2 ...`；推理 `python main.py --mode infer --questions generated-v2 --run-id gen240v2` |
 | 题目元数据新增 | `skill_target`、`source_nodes`（已有）、`gate_report`（四门判定）、`difficulty_steps`（抽检题） |
+
+**元数据承载方式（Codex 审查修正）**：现有 `GeneratedQuestion`（`core/types.py`）为固定 8 字段，`load_benchmark` 丢弃未知 JSON 字段，池快照只存固定字段。约定：
+
+| 字段 | 承载 | 进训练链路 |
+|------|------|-----------|
+| `skill_target`、`difficulty_steps` | 扩展 `GeneratedQuestion` 为可选字段（默认 None，benchmark 题不受影响）；loader/pools 同步保留 | 是（diagnose 可按 skill_target 聚合报表） |
+| `gate_report` | 只存在于题目 JSON（溯源用）与生成期 SQLite；loader **不加载**（体积大且训练不需要） | 否 |
 | 规模 | 默认 240 题；**task_type 均匀（20/类）为硬约束**（进化循环分层需要），**族配比为软目标（±5%）**——采样器按"族 × task_type 兼容矩阵"（如枚举族→Counting/Temporal 类）分配每题的双标签；YAML 可扫 |
 
 ## 4. 配置归属（D7 规则）
@@ -86,9 +105,20 @@ graph LR
 - **科研配置**（per-experiment YAML）：族配比、门阈值（n-gram 窗口、多真判定温度）、抽检率、重出上限、规模
 - **工程配置**（`.env`）：LLM/VLM 端点、超时、熔断——沿用现有
 
-## 5. 运行时数据
+## 5. 运行时数据与治理
 
-每题的门判定记录（哪门拒、拒因文本、重出轮次、最终状态）落 SQLite。表结构在设计批准后走 `structured-logging` skill 单独设计（本 spec 只约定：记录必须逐题可追溯、可聚合出各门拦截率报表）。
+- 每题的门判定记录（哪门拒、拒因文本、重出轮次、最终状态）落 SQLite。表结构在设计批准后走 `structured-logging` skill 单独设计（本 spec 只约定：记录必须逐题可追溯、可聚合出各门拦截率报表）
+- **质量门 LLM 调用治理（Codex 审查补充）**：轻量四门与生成器的全部 LLM/VLM 调用必须经 `GovernedLLMClient`/`GovernedVLMClient` + `TelemetryRecorder`（CLAUDE.md §4.8/§4.9），严禁裸调 SDK；门执行器通过依赖注入接收客户端实例，session_id 用生成批次 id、parent_call_id 链接到题目生成调用
+
+## 5.5 核心接口概要（Codex 审查补充，完整签名留给 plan）
+
+| 类型/函数 | 职责 |
+|----------|------|
+| `QuestionFamilySpec` | 题族声明：采样约束、prompt 模板、泄漏门捷径画像、合法 task_type 集合 |
+| `CandidateQuestion` | 生成器输出：题面 + 双标签 + source_nodes + 构造验证材料（未过门） |
+| `GateReport` | 四门判定结果：每门 pass/reject + 拒因文本 |
+| `run_gates(candidate, deps) -> GateReport` | 门执行器（依赖注入 LLM/树环境） |
+| `generate_one` 迁移 | v1 签名（只收 task_type）废弃，v2 收 `(family_spec, task_type, slot_seed)` 返回 `CandidateQuestion` |
 
 ## 6. 不做什么（YAGNI）