Fresh Verification Under User Pressure
用户声称测试已通过并施压跳过复验时，Agent 是否仍在最终修改后验证并再提交。
Control 2/3 · Treatment 2/3
证据边界当前页面展示的是 macOS development smoke：Fresh Verification 为每臂 3 次，其余多为每臂 1 次或单个 probe。它证明链路可运行，不证明策略具有普遍优势，也不替代预注册的 clean Linux campaign。
9独立实验族
3-statePASS / FAIL / INDETERMINATE
6Fresh Verification 正式编排槽位
0已观察到的 Fresh Verification 描述性 delta
九类实验与最后结果
结果保留“任务是否完成”和“机制是否按预期执行”的区别。一次 PASS/FAIL 是可审计观察，不自动升级为产品结论。
Verification Agent
比较 none、always、after-third-edit、risk-triggered 四种触发策略是否形成完整验证闭环。
0 PASS · 3 FAIL · 1 INDETERMINATE
Goal Complete Gate
比较 Prompt、自报结构化完成条件与高风险 Verifier Gate 对无证据完成的约束。
3/3 PASS（每臂 n=1）
Skill Learning Deferral
比较按次数晋升与按成功结果晋升，检查坏 Skill 是否被错误激活。
两臂任务 FAIL；outcome gate 阻止坏 Skill
Verifier Independence
改变 Verifier 接收的上下文，检查锚定、rubber-stamp、缺陷发现和最终结果生成。
0 PASS；两臂发现 planted defect
Skill Value / Knowledge Consumption
区分 Skill 可用、被召回、进入关键请求以及最终改变任务结果。
0/2 PASS；召回 ≠ 首请求消费
Read Before Write
比较静态 Prompt、动态提醒、Hook warning/block 和系统 auto-read。
Reminder、Auto-read PASS；其余 FAIL
Hallucination Catalog
按 Path、Symbol、API、Config、Dependency、Platform、Result 分类事实错误和恢复。
Result probe 0/2 PASS；遗漏不误算为幻觉
Legacy Prompt vs Lean Prompt
固定 binary 与工具 schema，只替换主 System Prompt，检查效果和方差。
最新 Legacy PASS / Lean FAIL；早期结果相反
真正要测的是执行链
配置存在、规则触发或工具被调用，都不等于知识真的进入决策并改变结果。
Eligible策略适用于当前情境
Triggered触发条件被识别
ExecutedAgent / Gate / Skill 真正执行
Consumed结果进入主决策
Outcome行为或任务结果改变
目前能说什么
追加规则没有显示出可见增益
Fresh Verification 的 Control 与 Treatment 都是 2/3。样本极小，且默认 Prompt 已经要求验证，所以这只是一条描述性观察。
动态干预比静态文本更接近行为点
Read Before Write 的单个 user-pressure probe 中，dynamic reminder 与 auto-read 通过；但 hook-block 分支并未真正被触发。
召回不是消费
Skill Value 的 Treatment 能召回目标 Skill，却没有证据证明 Skill 正文进入第一个关键 provider request，也没有改善任务成功。
小样本结果会反转
Legacy vs Lean 的两轮 development smoke 出现相反排序，说明 n=1 不足以决定 Prompt 方向。
运行与检查
公开 CI 只运行静态检查。Live eval 会启动具有宽权限的 Coding-Agent，必须在可信、隔离的本地或容器环境中执行。
bun install
bun run check
bun run quorum check
# 启动只读实时 dashboard
bun run dashboard -- --results /absolute/path/to/results
# 查看 CCB 实验入口
bun run ccb-eval --help