e33922c3fe
Some checks failed
CI / test (push) Failing after 51s
拷问会话产出：14 条核心术语定义（评测对象/场景/用例/轮次/通过率/模型能力·用途等）， 以及两项决策记录——场景版本化的可比性语义（ADR-0001）、通过率含执行失败的口径（ADR-0002）。
1.1 KiB
1.1 KiB
场景版本化：对比报告的可比性以场景版本为准
场景可编辑，导致同一 scenario_id 的两次运行可能基于不同"考纲"（用例集、规则、模型绑定），v0.4 的"同场景即可对比"约束不够严格。决定引入场景版本：仅考纲字段（cases / model_bindings / llm_config）变更时递增版本号，名称、描述、标签等元数据编辑不升版；对比报告要求同场景且同版本才严格可比。
Considered Options
- 任何编辑都升版 — 被否：改描述错字也会断开可比性，过于粗暴
- Run 快照考纲指纹比对（无版本号字段）— 被否：无显式版本号，用户无法在 UI 上直观选择"同一版"的运行
- 交集对齐 + 单边标注 — 被否：掩盖考纲漂移，对比结论可信度存疑
Consequences
- 数据模型需加 scenario version 字段，Run 需记录所用版本（v0.5 实施项，尚未实现）
- 动态用例每次运行题目不同不影响可比性——可比性单位是"同考纲"（同场景同版本），不是"同考卷"