RRSI

按官方代码固定版本 独立移植搜索机制。执行、评分、目录编辑、版本管理和记录分别复用现有的 Agent、Benchmark、Worker、Snapshot 和 Algorithm；没有增加框架公共接口。

从 evolve() 阅读算法

1. 在整个 train 上评估当前 Snapshot，每题运行 k 次，得到分数和目标 token 成本； delta: null 时用基线的重复 trial 校准噪声带。
2. 选择低分任务最差 trial、高分任务最佳 trial。analyst 只看任务表，调度 digester 通过 Worker 文件工具调查完整脱敏轨迹，再汇总 failure modes、capability gaps 和 success habits。支持三种调查视角和追问，保留前轮模式名称。
3. 计算余弦退火编辑预算、停滞探索槽和无近期收益的 prune 建议，将分析、代表轨迹 和完整编辑历史保存为一个固定的本轮 context。
4. 每个候选从同一当前 Snapshot 出发，读取同一 context。Worker 编辑 checkout， 声明独立机制及其预测影响；critic 审查完整 diff，可在原 checkout 修复。 Snapshot 检查文件权限与运行凭据，之后编译 Python 并通过目标原生 rollout 做 smoke。
5. 评估候选并核对预测，按 RRSI 的分数／成本规则选出最高分的可接受候选。 全部候选完成后才移动当前版本，记录每项编辑的结果与归因，进入下一轮。

预算限制独立机制数量，一个机制可以涉及多个文件。每项声明包含 id/component/hypothesis/targets_mode/predicted_affected/retroactive_check/paths， 必须覆盖真实修改。九种 RRSI 标签用于探索、历史和新颖性，可编辑范围只有 Snapshot 的组件声明这一份。标签根据各项编辑自己的文件 diff 校正，可选 component_signals 补充目标 harness 的机制信号；critic 判断接线与独立性。 prune 是接受相同审查与测量的删除提案，不自动删除当前版本。

修复在同一个 checkout 内累计修改，返回的清单必须覆盖相对 incumbent 的全部 差异，包括之前尝试留下的文件；漏报错误会列出缺失路径。一个机制及其配置接线 归在同一项声明中，不按文件拆成多项。digester 的 evidence[].quote 必须是 脱敏 trace 中某个解码后 JSON 值的原文子串；字段路径放在 where，不能把 序列化的键值对或自行拼出的指标描述当作引用。 analyst 表格中的 rewards 列出各次试验分数，但每个任务只提供 trial/reward 指明的代表轨迹；切换调查视角不会切换试验。其他试验的具体过程不可从汇总分数 还原，报告应保留证据缺口，不重复请求 digester 比较未提供的轨迹。

编辑历史是唯一反馈账本，包含完整 diff、胜负、分数／成本变化与 attribution。 预测命中和未预测退步按逐题均值核对，退步阈值固定为 1/k；未知预测任务不进入 命中率分母。捆绑机制共享一次候选测量，归因不代表逐项因果消融。 无效或未评测候选保留失败原因，但不进入已尝试组件和收益统计。

选择规则

设 dS = S' - S_t、dC = (C' - C_t) / C_t：

• S' < S* - delta：拒绝；历史最佳分数 S* 只随接受版本提高。
• dS > delta：要求 dC <= beta0 + beta1*dS。
• 其余情况：要求 w_s*dS - w_c*dC + w_n*novelty > 0。
• guards 中的指标变化约束也必须通过。可接受候选按分数选择，平分保留较早者； 全部拒绝时保留当前版本。

novelty 仅计算尚未出现在获胜编辑中的 client_tool/skill/memory/subagent 类型。 停滞由过去 w 轮的分数变化判断，最后 m_draft 个槽要求实际探索未测过的组件。 预算为 ceil(b_min + (b_max-b_min)*(1+cos(pi*t/T))/2)。

主指标须在 [0,1]，失败 trial 奖励为零并留在分母中；失败比例超过 invalid_missing_frac 则测量无效。默认等权；weight_metric 与 guards 可读取 Benchmark 已评分的 Trajectory.metrics，统计缺失会拒绝测量。runner 的最终 test 继续遵守框架 Results.score 的主指标算术均值契约，没有额外的加权 test 分数支路。 使用加权演化时，最终 test 的均值不能直接当作同一加权协议的结果。

成本使用每次完整目标运行的 token 总数，包括缓存及目标内部辅助模型／子 agent， 不包含演化 Worker。支持现有 MiniAgent、OpenAI 与 Claude SDK usage 形式，优先采用 非空 SDK model_usage 会话统计，避免只计算父 agent。任一 trial 统计不完整或成本 均值非正就拒绝；基线无效则终止。框架协议错误与 Worker 调用失败继续向外传播。

自动校准默认按任务内 trial 做 2000 次 bootstrap，取 delta_z * sqrt(2) * std(bootstrap scores)。calibration_evals > 1 可使用重复基线 评测的样本标准差，退化时回退到 pooled bootstrap；要求 k >= 2 或至少两次校准。 校准不挑选最好一次作为基线；也可显式提供实测 delta。

配置与边界

运行 示例：uv run flashrsi run --config examples/rrsi.yaml。 搜索参数沿用上游符号，其余默认值见 RRSI._defaults。分析交互上限固定 30 次， digest 上限 6000 字符，格式错误最多修复 3 次；这些协议常量不再作为配置项。 repair_rounds 控制提案修复次数，smoke_n 控制原生 smoke 任务数，0 时只编译。 取消 component_paths/critic_patterns/max_review_chars/briefs/constitution/ analysis_max_turns/digest_max_chars/protocol_retries/smoke_task_ids/regression_threshold 等额外配置；旧键会明确报错。Worker 的模型、提示与执行配置仍由框架提供。

代码只保留两个文件：__init__.py 实现算法，_prompts.py 存放长提示词。 evolve() 呈现基线评测、调查、提案与选择；这些算法步骤用同一个类的私有方法 实现，数值规则和编辑解析留在文件下方。评测聚合直接在 _measure() 内完成， 没有候选状态类、独立评估层或并行 scoreboard。角色调用由框架自动记录，完整 分析在 round context，归因在 edit history；摘要数量直接从列表计算。 提案读取临时 context.json 和 current-diff.txt；后者提供修复开始时相对 incumbent 的累计差异，首次为空，帮助 Worker 保留此前编辑的清单。两者随 checkout 移动并在提交前清理；原文引用 与只读 trace 仍检查，不为角色回复搭建完整字段校验体系。 critic 区分清单中必需的任务归因和版本文件中的任务记忆；也不把 diff 未包含的 原生加载器误判为不存在。任务特化、未接线机制等规则不变，拒绝理由需要对应实际文件证据。

没有复制上游 git 管理、Domain adapter、角色模型配置、恢复／重评命令及三套起始 harness。示例使用 SearchQA 和 MiniAgent，属于框架内的机制验证。官方 coding 实验 使用 Terminus-2、Terminal-Bench 2.1 的 89 个 evolve 任务及 T=20/k=2/m=2/w=3/delta=0.017/beta1=44.5/w_s=0/repair_rounds=5/invalid_missing_frac=0.2。 框架默认 Terminal-Bench 数据仍是 2.0；严格复现需要核对起始 harness、数据、模型 和执行限制。真实模型收益及论文实验结果尚未验证。

固定上游输出在 tests/fixtures/rrsi_upstream.json，用于核对选择、预算、标签与 校准。行为测试覆盖兄弟证据隔离、唯一历史、审查修复、失败分母、完整成本、三种 调查视角与追问；localhost 模拟服务测试验证原生 Agent/Worker 调用与文件编辑。