# Bridge v0.2.3 端到端迁移验收报告

日期：2026-08-20

环境：macOS，本机隔离 `DSH_HOME`，DeepSeek Harness `0.1.0-rc.8`，DeepSeek v4-pro/high

对象：`dsh-plugin-bridge` v0.2.3 基线 + 本报告记录的 obsolete-value 修复

## 结论

**修复后的 release candidate 通过。** 12 个迁移单元覆盖短会话/真实 compaction、minimal/standard/code 三种目标 preset，以及默认确认/同轮继续两种模式；摘要、迁移复述和首次有效工作均为 100% 事实命中，关键事实 100%，旧值复活为 0。

这个结论不能倒推为“远端 v0.2.3 发布物已经通过”：最终矩阵使用了当前工作树中的提示词修复。远端目前也没有可解析的 `v0.2.3` Git tag；在新版本合并并创建真实 tag 之前，README 中 pin tag 的一键安装命令不具备可复现性。

## 验收矩阵

每个 fixture 冻结 5 个低碰撞事实，其中端口、禁用项、路径为关键事实。confirm 与 continue 共用同一份摘要，因此共有 6 份独立摘要、12 个目标会话。

| 会话 | 目标 | 模式 | 摘要 | 复述 | 首次工作 | 旧值复活 | 目标请求 | Target nominal / processed |
|---|---|---|---:|---:|---:|---:|---:|---:|
| short | minimal | confirm | 5/5 | 5/5 | 5/5 | 0 | 2 | 1,360 / 4,048 |
| short | minimal | continue | 5/5 | 5/5 | 5/5 | 0 | 1 | 5,368 / 6,392 |
| short | standard | confirm | 5/5 | 5/5 | 5/5 | 0 | 2 | 8,821 / 17,397 |
| short | standard | continue | 5/5 | 5/5 | 5/5 | 0 | 1 | 761 / 8,953 |
| short | code | confirm | 5/5 | 5/5 | 5/5 | 0 | 2 | 10,112 / 19,840 |
| short | code | continue | 5/5 | 5/5 | 5/5 | 0 | 1 | 9,176 / 10,200 |
| compacted | minimal | confirm | 5/5 | 5/5 | 5/5 | 0 | 2 | 2,002 / 5,970 |
| compacted | minimal | continue | 5/5 | 5/5 | 5/5 | 0 | 1 | 1,269 / 2,421 |
| compacted | standard | confirm | 5/5 | 5/5 | 5/5 | 0 | 2 | 8,396 / 17,356 |
| compacted | standard | continue | 5/5 | 5/5 | 5/5 | 0 | 1 | 8,330 / 8,714 |
| compacted | code | confirm | 5/5 | 5/5 | 5/5 | 0 | 2 | 10,095 / 20,591 |
| compacted | code | continue | 5/5 | 5/5 | 5/5 | 0 | 1 | 9,026 / 10,050 |

汇总 gate：

- 摘要事实 30/30，关键事实 18/18；摘要按 6 份独立样本计，不重复计算 confirm/continue。
- 迁移复述 60/60，关键事实 36/36。
- 首次有效工作 60/60，关键事实 36/36；12/12 均精确输出五行执行契约。
- 3 个 long fixture 均包含 21 条用户消息、一次真实 compaction，且 `reusedCompaction=true`。
- 预定义旧值复活 0；timeout/cap 0；整组失忆 0。

## 本轮发现并修复的问题

原提示要求模型保留“旧值已作废”的决策理由，导致摘要仍会写出旧端口、旧路径等具体字符串。模型虽然能正确说明它们已经作废，但迁移复述仍把不应传播的旧事实带到了新会话，既增加 token，也增加未来误用风险。

修复包含两道防线：

1. 摘要生成指令要求完全省略已作废、撤销或被覆盖的具体旧值，只保留当前生效替代值。
2. kickoff 明确只把当前生效值视为可执行事实，不引用或复述旧具体值。

修复后重新生成 3 份 long 摘要，再完成 6 个 long 目标单元，旧值命中从非零降为 0；新增回归测试覆盖中英文摘要指令与 kickoff。

## Token 成本

定义：

- `nominal = uncached input + output`，用于本报告主比较。
- `processed = uncached input + cache read + cache write + output`，作为敏感性口径；它不是金额。
- “含 worker”只包含一次 Bridge 摘要 worker 与目标会话截至首次有效工作的请求，不包含用户原会话的既有成本和官方 compaction 成本。

### Confirm 相对 Continue

| 口径 | 配对中位数 | 范围 | P90 | 六对合并总量 |
|---|---:|---:|---:|---:|
| Target nominal extra | +11.0% | -74.7% ～ +1059.1% | +558.4% | +20.21% |
| Target processed extra | +96.8% | -36.7% ～ +146.6% | +125.7% | +82.33% |
| 含 fixed worker nominal extra | +8.1% | -47.9% ～ +206.7% | +110.4% | +12.82% |
| 含 fixed worker processed extra | +65.6% | -22.5% ～ +69.7% | +69.3% | +52.56% |

continue 在所有单元都把“复述 + 首次工作”合并为 1 次目标请求；confirm 固定为 2 次。模型输出长度和缓存命中导致单次 token 离散度很大，甚至出现 confirm 比 continue 更少的单元，因此不能从 n=1/cell 推导一个通用“节省 X%”。对产品可以稳定承诺的是少一次目标模型请求，而不是固定 token 百分比。

修复后 6 份摘要 worker 合计为 19,551 nominal / 26,463 processed；12 个目标会话合计为 74,716 / 131,932。按每对共享一次摘要计算，干净验收组件合计为 **94,267 nominal / 158,395 processed**。worker 在其中占 20.74% nominal / 16.71% processed；这是构成占比，不是相对“无 Bridge”的因果增量。

### 本任务实际消耗

从隔离环境建立到最终报告，累计测得：

- uncached input：200,145
- cache read：198,144
- cache write：0
- output：37,543
- nominal：**237,688**
- processed：**435,832**

该累计值包含前置探路、fixture 建立、真实 compaction、发现旧值问题后的修复重跑，以及一次误把 `/bridge --doctor` 作为普通 prompt 发送的设置错误。该错误会话已取消并归档，单独消耗 20,450 nominal / 53,730 processed。累计值不能当作普通用户完成一次迁移的成本。

## WebUI、稳定性与归档

- 使用独立 `DSH_HOME` 和 3180 端口安装并加载官方 rc.8 WebUI；用户原有 3080/rc.6 服务全程保持在线且未修改。
- WebUI 能打开，Bridge 命令能注册和执行；真实 `/compact` 经 WebUI command endpoint 成功生成一次 compaction。rc.8 的 minimal preset 本身不提供 `/compact`，因此 long source 使用 standard，目标仍覆盖三种 preset。
- 12/12 创建 goal、pause goal、发送 kickoff。confirm 为 2 个目标请求，continue 为 1 个目标请求。
- 每个目标做两次 idle soak，共 24 次；新增 turn 和 token 均为 0。
- host 完成一次 down/up 重启。6 个仍处于 paused 状态的 compacted target 在重启后没有自动续跑；6 个 short target 当时已归档，只能证明归档会话未变化。
- 最终阶段 raw ledger 的 9/9 tracked sessions 已归档；扩大核验后，本次隔离环境创建的 63/63 sessions 均已归档、运行中为 0、workspace 为 0。

## 局限

- 这是修复驱动的多阶段 release acceptance，不是一次未经调整的盲测；short 单元继承自前序阶段，long 单元使用修复后冻结摘要。
- 独立摘要只有 6 份，每个 cell 只跑 1 次，不支持置信区间或显著性结论。若要对外发布稳定 token 百分比，应至少每 cell 运行 5 个随机种子。
- fact grader 使用严格字符串命中并配合旧值检查、五行契约检查；仍可能漏掉未预定义的额外幻觉。
- 只覆盖中文提示、DeepSeek v4-pro/high、官方 rc.8 与本机环境。
- processed 把缓存与非缓存 token 等权相加；两种 token 口径都不是实际账单金额。

## 发布建议

1. 合并 obsolete-value 修复与回归测试。
2. 升版并创建真实 Git tag；README 的一键安装命令只引用确实存在的 tag。
3. README 可以写“12/12 release acceptance、三层事实 100%、旧值复活 0、confirm=2 requests、continue=1 request”，但不要写固定 token 节省百分比。
4. 当前验收已足够作为发布 gate；用户不需要再自行花 token 补测。只有要把 token 百分比当成公开 benchmark 时，才需要多 seed 扩跑。

## 证据

- 最终 raw：[`v0.2.3-e2e-2026-08-20T13-19-13-924Z.raw.json`](./v0.2.3-e2e-2026-08-20T13-19-13-924Z.raw.json)
- 最终 manifest：[`v0.2.3-e2e-2026-08-20T13-19-13-924Z.manifest.json`](./v0.2.3-e2e-2026-08-20T13-19-13-924Z.manifest.json)
- 修复后 long summaries：[`minimal`](./v0.2.3-minimal-summary-fixed.json) · [`standard`](./v0.2.3-standard-summary-fixed.json) · [`code`](./v0.2.3-code-summary-fixed.json)
- 可复现实验入口：[`../eval/v023.mjs`](../eval/v023.mjs)