能力边界
设计思想
主要输入
终态产物
Agentic model operations · reproducible by design
SURE Harness
把模型发现、环境适配、容器转换、人工审批、推理评测与无推理复评，组织成一套可检查、可恢复、可复现的 Agent 工作流。
01 · 发现入口
02 · 构建入口
03 · 信任边界
04 · 运行与评测
05 · 复用与演进
Memory loop · 失败经验从运行中提取，经人工确认后回到后续上下文
6个职责单一、可组合的 Skill
3类彼此隔离的 Runtime 身份
83个显式状态机环节与后端阶段
1条端到端、可审计的证据链
01 / SIX SKILLS
每个 Skill 只负责一个清晰阶段
六个 Skill 不是六个大 Prompt，而是六套有输入合同、状态机、Gate 脚本和终态工件的受控执行单元。它们通过文件工件交接，而不是共享模糊的对话状态。
02 / DESIGN
Agent 的自由，被证据约束
SURE 把“探索性判断”和“确定性验证”拆开。Agent 可以研究、规划与修复，但不能跳过状态、伪造通过或直接写入受保护发布区。
Agent 决定范围
选择模型、证据、适配策略、数据集与评测路由。开放问题交给 Agent，避免把研究过程硬编码成脆弱脚本。
状态机决定顺序
一次只推进一个 Unit。每步都有唯一 produces 工件、重试计数与恢复点，失败后可以从 checkpoint 继续。
脚本决定事实
Schema 检查形状，Gate 脚本验证语义，真实命令验证运行。Agent 写出的 passed 字段本身不能证明通过。
工件保存身份
Runtime、锁文件、镜像 digest、预测 hash、pipeline 与报告被固化。系统复现的是整条实验身份，而不只是一个分数。
Hook 从本次运行生成稳定摘要，作为经验提取的证据边界。
Agent 声明没有新经验，或写出带触发条件与证据的候选经验。
运行结束后自动发布到 provisional 区，不直接进入可信知识。
人工审阅后才进入 references 与共享 facts，保留信任边界。
后续运行只加载与当前目标匹配的少量事实，并要求再次验证。
03 / RUNTIME
三种 Python，三种责任
Harness 控制逻辑、模型推理依赖和评测引擎依赖被明确分离。环境不再是“当前 shell 能跑就算通过”，而是有名字、有锁、有来源的执行身份。
责任维度
负责什么
由谁使用
身份依据
禁止事项
Harness Runtime
控制面Hook、Gate、输入解析、工件验证与流程编排。
全部 Skill每次 pre_start 绑定统一 runtime ID 与 lock。
仓库锁定manifest、Python executable、lock SHA256。
不加载模型不能拿控制 Python 证明模型依赖可用。
Model Runtime
推理面模型 import、持久 load、真实 infer 与 MCP server。
Onboard / Trans / Eval容器是默认交付；站点可批准密封 uv Python。
模型绑定镜像 digest 或内容寻址 Python manifest。
无隐式回退本地 .venv、base Python、相似镜像均不算批准身份。
Evaluation Runtime
评测面路由解析、归一化、指标节点与报告生成。
Eval / Reval独立准备，记录 evaluator commit 与 source hash。
引擎锁定evaluation runtime ID、lock、engine commit。
不污染模型评测依赖不能注入 Harness 或 Model Runtime。
04 / EVIDENCE
从一句命令，到一条证据链
TUI 是入口，真正的产品是结构化工件：每个阶段都留下可复查的输入、输出、执行身份和失败上下文。
Intent · 人的目标
Slash command 描述目标与边界，例如模型、数据集、协议和执行方式。
Plan · Agent 的判断
研究证据、选择后端、制定执行计划；每个判断写入独立工件。
Proof · 确定性 Gate
Schema、哈希、真实运行、MCP、等价性和边界策略逐层验证。
Record · 可复现结果
Runtime identity、预测、pipeline、指标、报告与审批决定持久保存。
The system-level idea
把 Agent 的能力放进工程边界里，而不是把工程边界交给 Agent。
SURE Harness 允许开放式研究发生，同时要求每一个可运行结论都经过确定性验证、显式审批与可追溯记录。