基准（bench）

模型：qwen3.6-27b-iq3:latest，Ollama /v1（地址见脚本头部）。运行一律 uv run --no-project <脚本>。 注意：该 Ollama 服务负载下会间歇 502——dt≈0s 的单条失败先当基础设施抖动、单独重跑核实，再考虑改 prompt。

bench50_v2.py（冻结基线，勿改）

单发话语 → 首步工具选择。50 题。逐字复刻 2026-07-28 生产 prompt（4 类意图门 + 统一 prompt + 6 工具）。 验收存档 bench50_v2_baseline.out：意图门 50/50=100%，agent 严格 38/50=76%、宽松 45/50=90%。

skill-ReAct 落地后：意图门段作废；agent 段对新架构重跑，严格分 ≥76% 才算过闸。

bench_ext.py（扩展轨迹基准）

多步 ReAct 轨迹模拟（喂回固定工具结果直到模型给最终文字，上限 8 步）+ 多轮对话用例：

类别	用例	测什么
消歧	S1-S5	改「审核人」字段=update 不是 examine；撤审=cancelExamine；恢复作废=cancelInvalid
多轮接续	M1/M2/M6	翻页、代词回指、澄清后接续
夹带	M3	回答澄清的同时夹带新查询，两个都要完成
长会话回指	M4	30 轮后回指最早提到的实体
跨轮表单	M5	弹表单隔 2 轮补字段；「大16开」必须逐字保留
提议纪律	M7	提议卡后不重复提议、不声称已执行

uv run --no-project bench_ext.py --arch old          # 旧架构复刻（基线）
uv run --no-project bench_ext.py --arch new          # skill-ReAct（prompt/skill 从 src/main/resources/ 同源读取）
uv run --no-project bench_ext.py --fifty --arch new  # bench50 的 50 题按全轨迹判分（新旧同口径对照）
uv run --no-project bench_ext.py --arch old --only M5

轨迹模拟含生产反编造护栏复刻：零工具调用却答出数字 → 注入纠正话术重试一次 （与 AgentChatController 的常开护栏一致；不模拟 WRITE_CLAIM 文案提醒）。

基线存档：bench_ext_old_baseline.out（无护栏口径，首次基线）、bench_p3_acceptance.out（P3 验收， 四组同口径：ext/fifty × old/new）。

流式输出中途点【确认】的并发问题由 Java 单测覆盖（事件日志并发 append 不丢事件），不在本目录。