只改了一句备注，评估通过率为什么从 100% 变成 0%？
两条评估记录使用同一个编号：一条说通过，另一条说失败。我们没有改它们的结果，只把两条记录的备注 a 和 b 交换了一下。摘要里的通过率从 100% 变成了 0%。
这发生在一次真实聚合函数的隔离实验中，不是线上评分事故。更值得注意的是，模块原有的八项测试仍全部通过，包含“打乱输入顺序，结果保持一致”的测试。
实现确实是确定的。问题在于，它稳定地做出了一个没有证据资格支撑的选择。
测试没有说谎，只是回答了另一个问题
CodeFlowMu 是我们在开发的本地多 Agent 协作系统。它的一个评估辅助模块负责把记录归并成摘要。2026 年 8 月的变更说明已经明确了设计：同编号记录按内容比较选一条，避免结果取决于输入顺序。
这个目标有实际价值。文件枚举顺序、异步返回次序都不适合决定评估结果。但“让选择可重复”与“这个选择有理由”是两件事。
原测试把冲突记录正着输入、倒着输入，检查输出相同。它没有要求摘要同时保留冲突双方，也没有要求出现争议状态。所以，当实现始终选择同一方时，测试自然通过。
这不是一项测试失灵，而是一项未被写进合同的要求：同编号、不同内容究竟是重复观察，还是需要保留的冲突？
备注怎样取得了决定结果的权力
我们直接导入固定版本中的 summarizeEvalOutcomes，输入如下两条虚构记录：
[
{"id":"A","status":"pass","note":"a"},
{"id":"A","status":"fail","note":"b"}
]函数先按记录身份分组，再把整条原始对象的键排序、序列化，最后选择字典序较小的一条。比较包括备注字段；在这组输入里，备注先于结果决定胜负。
把通过记录的备注改为 b、失败记录的备注改为 a，通过和失败各一条的事实不变，被保留的那条却换了。
算法没有检查哪一条来源更可信，也没有发现一次正式勘误。它只是比较了字符串。而最终摘要只留下编号、名称和状态，读者已经看不见被淘汰的另一条结果。
八组对照，把问题缩到能确认的范围
我们在两个独立 Node 进程中分别运行八组夹具；每组还比较原序与逆序。以下数字是该函数的输出，不能当作模型可靠率。
| 条件 | 留下几条 | 被计作重复 | 输出通过率或状态 |
|---|---|---|---|
| 不同 ID，一条通过、一条失败 | 2 | 0 | 50% |
| 同 ID，两条完全相同的通过记录 | 1 | 1 | 100% |
| 同 ID，通过备注=a，失败备注=b | 1 | 1 | 100% |
| 同上，仅交换备注 | 1 | 1 | 0% |
| 同 ID，通过和失败均无备注 | 1 | 1 | 0% |
| 同测试编号、不同运行编号，没有独立记录 ID | 1 | 1 | 100% |
| 同上，为两次运行各给独立记录 ID | 2 | 0 | 50% |
| 有 ID，没有结果 | 1 | 0 | unknown=1，通过率字段为 0 |
图 1：依据本文已保存观测绘制的实验逻辑示意；箭头表示本图标明的处理关系，不是实际运行截图。来源：随文实验附件。
两轮结果一致。完全相同记录的对照证明，去重本身有必要；问题是当前“重复”计数把镜像记录与互相矛盾的记录放在了一起。
最后一行也很重要：缺少结果时，函数仍保留 unknown，没有把它归为通过。但通过率分母包含这项未知，数值为零，不能再把这个零解释成“一次已经确认失败的测试”。
同一个测试，不代表同一次运行
另一组实验暴露了身份粒度的影响。函数允许用 case_id 作为记录 ID 的后备值。如果同一个测试运行两次，只给相同的测试编号、不同的 run_id，它仍把两条记录合并。
给两次运行各自独立的记录 ID，汇总恢复为一条通过、一条失败，输出 50%。这说明不能直接断言“重复运行一定被吞掉”：正确的调用方可能早已提供独立 ID。需要先核实消费者的输入合同。
重复查询研究提醒人们关注测量波动，但在讨论重复多少次之前，还有一个更基础的检查：这几次是否作为独立观测留下来了。awesome-auditable-ai 的相关收录提交收窄了论文摘要，避免把特定研究的重复次数结论写成普遍定律。这里引用的是整理决定；本实验没有验证论文的统计方法。
修复前，先决定哪些东西可以合并
一个可供开发评审的方向，是明确区分三种情况：同记录同内容属于重放；同记录异内容属于冲突；同测试不同运行属于独立观测。
冲突双方应保留来源，摘要应让争议可见。备注是否属于内容身份、冲突时通过率应为空还是单独显示区间，都需要合同决定，不能偷偷换成“失败优先”就宣称解决。后者依然是在没有依据时替读者选择一方。
目前，该模块已进入开发评审材料。我们尚未找到生产调用入口，因此评审的第一项是确认消费者、影响面和继续保留该辅助模块的必要性，而不是把实验发现包装成线上紧急事故。
本轮的证据范围是一个历史变更包、当前纯函数和八组隔离夹具；不是生产样本统计。固定源码版本为 c008d9db91a21136fc61a4f60314e22db395d5d2。原始观测、字段定义与来源摘要见随文证据说明；产品源码的公开范围另行审查，不把本机路径留给读者充当证据。
确定性仍然值得要求。它让同一问题得到同一回答；冲突保全则让我们知道，这个问题是否已经有资格得到一个单一回答。