TL;DR

• 424 條 AI 產出的測試案例，十條 PRD 全部有案例覆蓋。抽驗一份 74 條：零幻覺、九條算式全中——但能在文件層驗到底的就只有那九條
• RTM 真正抓到的是另一件事：模型五次都附了「規格缺口清單」，指著我 Day 9 才裁決完的 PRD 說十個地方沒定義
• 完全隔離之後它還是寫出指向缺陷的斷言。不是它厲害，是我把 Math.max(0, ...) 抄進了規格書

前言

昨天畫好及格線，今天資料到手：兩個模型各跑五次，產出十份測試案例集。（第一輪因隔離不完全作廢，這裡用的是第二輪的乾淨資料）

程式碼寫錯，編譯器和 linter 會立刻噴紅字。但規格書和測試案例都是文字，文件層沒有編譯器，也沒有紅綠燈。面對排版整齊的測試案例，靠肉眼核對到底漏了什麼、有沒有偷渡不存在的規格，五分鐘就累了。所以需要一把尺：RTM（Requirement Traceability Matrix，需求追溯矩陣）。 它做的事只有一件：建立「規格」與「案例」互相指認的對映。過去它常被當成冗長的交付文件，但如果只當作每次生成案例後的輕量檢查，它其實非常有效。

RTM 只檢查兩個方向：

• 正向（PRD → case）：規格有沒有被覆蓋？沒覆蓋的就是裸需求（漏測）。
• 反向（case → PRD）：案例能不能找到規格依據？找不到的就是孤兒 case（幻覺）。

它不判斷案例寫得好不好，只判斷「有沒有對到」。在沒有編譯器的地方，這是少數機器能代勞的事。

這兩個方向我都跑了，兩邊都是空的（沒有漏測也沒有幻覺）。所以今天真正的工作是這三件：用眼睛讀完抽驗的 74 條案例、處理 AI 多附的一張清單，然後承認一件我造成的事。

兩個方向都跑完了

正向：一條漏測都沒有

先看測試規模：

兩邊皆在開發者控制台手動輸入，總計產出 424 條案例。（開發層沒有記憶或範本可以掛——不過這句是從「那一層沒有這些功能」推出來的，我沒有真的去問過它載入了什麼。）

正向掃描非常快：每條案例都按規定自報了覆蓋的 PRD 編號，我只要把編號全抓出來，直接對 PRD-01 到 PRD-10 進行比對即可。結果出乎意料：兩個模型、十份案例集，每一份的覆蓋率都是 10/10，裸需求為零。

我原本準備好大寫特寫「AI 漏測了哪幾條」，結果完全沒有素材可寫。

反向：機器只驗得出格式

反向的機器掃描也是空的：每一條案例都掛著至少一個 PRD-xx 編號，沒有一條「無家可歸」。

但這結果其實很虛，因為機器只驗「有沒有掛編號」，不驗「掛得對不對」。若案例宣稱覆蓋 PRD-02，斷言卻在測 PRD-06，它依然會通過檢查。這就是藏起來的孤兒。要得知真實的反向追溯結果只能靠肉眼。我全查了 run-B-01 的 74 條案例，先訂標準再套用：

結果：

存疑的是 TC-01-07：宣稱掛 PRD-01，斷言卻點名「PRD-04 未定義報酬率是否允許負值」。歸屬有爭議，故判存疑。

我原本預期 AI 會從預訓練知識憑空捏造「所得替代率要達 70%」或「二代健保」等 PRD 沒提過的案例，但在這 74 條中完全沒有。可能跟昨天提示詞第 3 條有關：「規格沒寫的不要自行補上」——那原本是測幻覺的餌，結果沒有魚上鉤。但我沒跑過「不加那句話」的版本，所以這只是猜測。

更值得注意的是，74 條中能用單一算式獨立驗證的預期值僅有 9 條。我實算後 9 條全中（誤差 ≤ 1 元）：

TC-01-02  1,000,000 × 1.005^12   實算 1,061,677.81   它寫 1,061,678
TC-02-03  600,000 × 1.02^25      實算   984,363.60   它寫   984,364
TC-08-01  720,000 × 1.02^25      實算 1,181,236.32   它寫 1,181,236
TC-03-01  900,000 × 1.03         實算   927,000.00   它寫   927,000

其餘 52 條屬實案例的斷言是結構性的，如「相鄰期比值恆為 1.02」或「軌跡不得出現 0 截斷」。要驗收這些得實際跑受測物，無法光靠讀文件。

四類分類，第一次被打破

我沒有判定 Duplicate（同分支、換輸入），因為這得等案例變成腳本後追蹤程式路徑。昨天預設它是最大宗，今天無從驗證。

那 12 條阻塞案例更麻煩：它們不屬於任何一類。

它們有對應的 PRD、未發明新規則，但也不是 Valid，因為它們沒有預期值。

TC-01-06  阻塞：規格未載明月存為期初或期末投入。
          期末 = 123,356；期初 = 123,972。兩值皆不得作為預期值，須先補條款

昨天的四個分類完全無法涵蓋它們。依照「跑完不改」的規則，我不回頭改分類，只記為「依 v1 規則無法分類，計 12 條」。這正是「先畫及格線」壓力測試未通過的結果。

另外，模型 A 每條規格只掛 1–3 條案例（PRD-08 只有 1 條）；模型 B 則是 4–20 條。由於單一案例無法同時測正常與邊界值，A 的「覆蓋 10/10」只是蜻蜓點水。這只是表面指標，真正的深度明天用邊界命中率來量。

該亮紅燈的地方全都是綠的。若就此收工，結論會是：

十次獨立生成 PRD 覆蓋率 100%；抽驗 74 條屬實 82%、幻覺 0。文件層品質達可用水準。

這結論有數據支撐，卻很糟——因為 82% 只證明「編號掛對了」，我能在文件層驗證的僅有 9 條。剩下 52 條對不對，得等變成腳本才知道。

數量不等於品質，品質得看明天的邊界命中率。

那 RTM 抓到了什麼

模型 B 的五份輸出，每一份最後都多了一個章節。五份的標題各不相同：

• run-B-01「阻塞項彙總（須補條款後方能定案預期值）」
• run-B-02「附錄：預期值所依賴的規格未明訂項（無法僅依 v1.0 判定對錯者）」
• run-B-03「規格缺口清單（阻擋案例／需 PRD 補述後方可定義預期輸出）」
• run-B-04「規格缺口清單（無法從 PRD v1.0 推導出唯一預期值，案例僅能斷言不變量）」
• run-B-05「規格缺口清單（阻塞案例，無法在 v1.0 下判定 PASS/FAIL）」

編號前綴雖不同（GAP-、D-、G-），做的事卻一樣：列出規格未定義之處，並註明哪些案例因此寫不出預期值。

五份的項數分別為 10、10、11、10、12，而我的提示詞根本沒要求做這個。

而那份 PRD v1.0 是 Day 8 挖出十個歧義現場、Day 9 一條一條裁決出來的。我以為那件事做完了。

跨五次生成比對，有三個缺口是五次全部指到同一處：

另外「PRD-02 折現用的是 r 還是 r_p」有 4/5 指認。

我去翻條款原文。PRD-01 寫的是：

本金與月存統一採名目月利率 r/12，同為月複利

它規定了利率，沒有規定月存什麼時候進去。

而模型 A 那五份，這個章節一項都沒有。零。

它們怎麼讀我的規格書

把兩件事放在一起看，形狀就出來了。

面對規格未明處，兩個模型反應不同。

「月存期初期末」兩邊都撞牆了。模型 B 將其列為缺口，將案例改為區間或不變量斷言；run-B-05 更直接把 r_p 設成 0 來迴避，並明文告知。

而模型 A 的 run-a-1 直接在 TC-005 給了公式：

本金=100萬, 月存=1萬, r=6%
預期輸出：退休本金為 100萬×(1.005)^12 + 1萬×[((1.005)^12-1)/0.005]

後面這項是期末年金因子。它默默替我選了期末，沒說它做了選擇。而另外四份則直接繞開不處理。

繞開沒錯，B 也在繞，但 B 會明說，A 不會。最糟的是 run-a-1：它不僅擅自決定，還固化為預期值。一旦進了測試套件，就會去保護一個無人裁決過的行為。

這病很眼熟。Day 4 探討的 (1+r) 就是受測物擅自選擇期初期末的問題。我在 Day 9 釘死了提領端，卻忘了累積端有同樣的漏洞。

但對於規格寫得像「修正」的地方，兩者反應卻一致——這是我的問題。

run-B-01 中有 4 條斷言直接指向受測物的真實錯誤：

TC-01-02  必須不等於 1,060,000（年複利）        ← 受測物本金確實走年複利
TC-02-03  必須不等於 600,000（誤鎖 A_r 為基準）  ← 通膨基準
TC-03-01  必須不等於 930,000（期末扣款）        ← 缺陷 A

這是在完全隔離環境下產出的。但這並非「AI 好厲害」，而是效度威脅：我在深知缺陷後才寫下 PRD，部分措辭已帶有修正語氣（如統一採、須回傳明確錯誤）。最明顯的是 PRD-03：

期初扣款，索引與 PRD-02 對齊 ｜ 禁止 Math.max(0, ...) 截斷真實餘額

我直接把缺陷程式碼 Math.max(0, ...) 抄進了規格書。

AI 不是猜到的，是我洩漏的。未來比較生成品質時必須記住：部分成績是我餵出來的，不能全算規格的功勞。

（順帶一提，首輪作廢的資料裡也有類似斷言。乾淨重跑證明了 PRD 的措辭就足以產生它們——但這不代表首輪的記憶完全沒出力，只是它不再是唯一的解釋。）

抽驗 30%：這項標準我跳票了

昨天的驗收標準有這麼一行：

human_audit_ratio: 0.30    # 每 run 至少人工覆核 30%

寫這行時，我還不知道會拿到幾條案例。現在手上有 424 條，30% 是 127 條。但我實際只全查了 run-B-01 的 74 條（占 17%）。按規定，我跳票了。

而另一半標準要求 [Omission, Hallucination] 須 100% 覆核，實測因為這兩類為 0 而無事可做。這標準一半做不到、一半沒得做。

閘門 3 在此失守。先定門檻是對的，但它未考慮工作量，也沒預料到紅燈類別會是空的。訂標準不僅要早，還要確認可行性，我昨天只做到前者。

解法不是下修 0.30 來迎合現況（這是照結果配標準），而是要把「人工核對」轉交給程式自動化。這是明天的任務。

而抽驗完要有去向，不然抽驗只是感想：

三個「0」是本輪的實測值，不是流程沒寫。而最後一列那 350 條是今天所有結論的邊界——「零幻覺」只在 run-B-01 的 74 條之內成立，另外九份我只做了機器掃描。

GAP 清單那 53 項要不要進 PRD v1.1，是閘門 4 的判讀。今天只登記，不裁決——PRD 本日不動。

還有一筆紀錄缺失要認：temperature 兩邊皆未記錄，當次沒截圖，事後不可復原。同一個提示詞在不同溫度下的分佈本來就不一樣，所以今天的分佈數字只能對照，不能當基準。

後記

Day 9 我證明了「歧義不是 bug，而是未定的決策」，並將其裁決為十條 PRD，以為規格層已結案。

今天 AI 讀完後卻告訴我：還有十個。指出的三個共同缺口都不是刁鑽邊角（月存時點、通膨起算、大筆支出通膨），它們都會直接改變最終數字，而我的十條條款全漏了。我原以為規格考古是一次性工程。實則不然：每裁決一個歧義，就會在更精確的層次衍生新歧義。 如同 PRD-01 釘死了利率，才讓「時點」問題浮現。

規格永遠沒有寫完的一天。

更諷刺的是，今天發揮作用的，是我未曾要求 AI 做的章節。我設計的正反向追溯皆空手而回，反而是模型自附的缺口清單抓出了問題。

那我今天的角色是什麼？我想，它能列出「未定義」，卻無權裁決。要不要改、如何改、代價誰扛，是閘門 1 負責的，而那裡只能站人。AI 會指出漏洞。但它不會替你做決定。

只帶走一件事
覆蓋率 100% 只證明它標得齊，不證明它測得對。而真正值錢的那一欄，往往是你沒有要求它填的。

今天的 repo：https://github.com/eyelash500/2026_ironman_test_ai/tree/day11