TL;DR

• 正文用三個字帶過的「基底有了」，實際上跑了兩輪
• 第一輪 6 項不合格：5 項是我的量尺寫錯，1 項是我的規格沒寫
• 系列問「AI 寫的測試，誰來測？」，這篇問的是那個「誰」自己準不準

前言

正文〈第一個問題：對著誰跑〉用一句話帶過了整個過程：

過程比結果曲折得多：第一輪沒過、我的量尺自己出錯、規格被逼出第十二條。

這篇寫那個過程。不是實驗結果，是踩坑紀錄。

這個系列問了十五天「AI 寫的測試，誰來測？」——而這個問句預設了有一個「誰」。
今天那個誰是我和我的三道驗收器。六項不合格報出來的時候，每一項看起來都像「AI 出錯了」。

第一輪：6 項不合格，只有 1 項是產物的

規格（PRD v1.1）與介面契約貼進隔離環境，模型吐出 calc_fixed.py，三道驗收器跑下去：

❌ 驗收器 1　diff 逐項分解：5 項不合格
❌ 驗收器 2　四條缺陷測試全紅：1 項不合格
✅ 驗收器 3　非法參數拋 ValueError：通過
共 6 項不合格，calc_fixed.py 不得進 repo

看起來是一場失敗。逐項追下去，6 項裡只有 1 項真的在產物身上。

兩個洞，都在量尺

我只數了兩條，實際上改了四條

驗收器 1 的規則是我事前寫死的：差值必須等於「只改 PRD-01」與「只改 PRD-02」兩個分支算子各自貢獻之和。

不合格的五組是 inc_labor_65、inc_labor_70、inc_both、def_c_ghost、def_c_ghost_far——三組跟退休後收入有關，兩組跟大筆支出有關。

而 PRD v1.1 相對 legacy 改動的條款有四條：除了 PRD-01（複利頻率）與 PRD-02（提領首年），還有 PRD-05（大筆支出上界）與 PRD-10（收入通膨基準年）。我在寫規則的時候把「改了哪幾條」數錯了。

補上另外兩個分支算子之後：

三組歸零，兩組還是對不上。

「條款貢獻可加」這個假設是錯的

inc_labor_70 閉合而 inc_labor_65 不閉合，兩者只差在勞保的請領年齡。這就是線索。

PRD-02 多算的那一年是 65 歲，而 65 歲那年剛好有勞保收入，那筆收入又受 PRD-10 影響——兩條款在同一個格子上相遇。inc_labor_70 之所以閉合，是因為勞保 70 歲才起領，新增的那一年沒有收入，就沒有交互項。

單獨相加 ≠ 同時開啟，而產物與「同時開啟」逐位元相符。產物從頭到尾都算對了，是我的判準寫了一個不成立的假設。

我在 manifest.yaml 的 expectations 裡還寫著：

gate_1: 會過。PRD-01 與 PRD-02 在算式上互不相干，疊加應該成立

這句話是跑之前寫的，而它兩個部分都錯了——不只數錯條款數，連「互不相干」都是假的。

依 Day 10 立的規矩「跑之前定、跑完不改」，我沒有回頭改第一輪的判準。缺陷記進 execution_status，修正版另立實驗編號。

還有一個：清洩漏時把該留的一起刪了

第一輪的產物，進入點叫 calculate_retirement，而契約要求的是 calculate。

我一開始以為是模型沒照契約走。翻回輸入才發現是我自己把那一行刪掉的。

起因是清洩漏。第一版貼上檔被我掃出 11 個洩漏關鍵詞，最嚴重的一條是規格書的「尚未涵蓋」一節直接寫著：

缺陷 B（壽命倒掛）與 A'（負值遮蔽）——⋯⋯它們本來就不是規格問題，是實作沒做好

四個缺陷被說出兩個。驗收器 2 的整個意義是「舊缺陷不得遺傳」，而輸入裡點名了其中兩個，那道門當場失效。

我重建了輸入，掃描歸零。但重建時，介面契約的程式碼區塊少了一行 def calculate(p: Params) -> Result:，而文字部分還寫著「公開以下三個 dataclass 與一個函式」。模型看到「一個函式」卻沒看到簽名，只好自己取名。

成因是我的掃描只做了一半：它檢查「不該有的字串在不在」，沒有檢查「該有的內容還在不在」。 第二輪改成雙向——must_not 26 項全為 0、must_have 18 項全在位，兩邊都過才放行。

剩下那 1 項：規格確實沒寫

驗收器 2 的不合格項是 test_defect_a_prime_clamp_hides_deficit 在產物上仍然通過，缺陷 A'（負餘額被夾 0）被遺傳了。產物寫的是：

balances_charted = tuple(max(0.0, b) for b in balances_raw)

這正是我跑之前猜中的那一項。但這個「猜中」很不舒服，因為模型把它列進了檔頭的 GAP 清單，還寫了理由：規格未定義此欄位的具體行為，採用 max(0, balance)，因為通常圖表端不預期顯示負值餘額。

Day 10 立過一把尺：罪在不標示，不在推論。 依那把尺，這是好行為——它推論了，而且說了。依驗收器 2，這是不合格。同一個行為，兩把尺相反判定。我沒有回頭改任何一把，照實記在 execution_status 裡。

而模型是對的。去翻 PRD v1.1 的 PRD-03，邊界處置欄寫的是「禁止 Math.max(0, ...) 截斷真實餘額」——「真實餘額」是 balances_raw，balances_charted 那一欄規格從頭到尾沒有提過。

這不是 AI 讀不懂規格，是規格有洞。而缺陷 A' 是 Day 3 驗屍報告認定的四個缺陷之一，規格本來就該禁止它。閘門 1 裁決新增 PRD-12：

balances_charted 必須逐項等於 balances_raw，不得下限截斷。圖表要不要顯示負值是呈現層的事，計算核心不得代為隱藏。

代價看 golden 案例 def_ap_clamp（0 元本金、0 月存、月支出 3 萬）：

二十年全部被夾平。使用者看到一條貼著 0 的線，實際缺口是 2,123 萬。

這條規格的來源跟前面十一條都不一樣。 RC-01 到 RC-10 是我翻程式碼翻出來的，PRD-11 是我對照介面欄位發現的。PRD-12 是一個沒看過舊程式的模型，在照規格實作時撞出來的——不是被考古挖出來的，是規格自己被用一次才露餡。

不過有個懷疑沒解決：PRD-03 的條文「禁止 Math.max(0, ...) 截斷真實餘額」，在禁止的同時也把 max(0, ...) 這個寫法示範給了模型。所以我那個「猜中」有多少是模型的傾向、有多少是我自己種的，分不開。閘門 1 裁決不修改條文（那句話從 JS 受測物考古而來，改掉會跟 RC-05 與 Day 3 的敘述脫節），改為每一輪在 manifest.yaml 明列為效度威脅 VT-1。

第二輪：三道全過，而「猜中」沒有資訊量

規格升到 v1.2、介面契約補回函式簽名、量尺換成四個分支算子並改比「同時開啟」。同一個模型、同一個介面，唯一該變的是規格多一條。

✅ 介面契約：相符
✅ 驗收器 1　通過
✅ 驗收器 2　通過
✅ 驗收器 3　通過

產物這次寫的是 balances_charted=balances_tuple，還自己註明 # PRD-12: 圖表餘額保真。實測兩者逐項相等，末年皆為 −22,526,423。

「全紅」我逐條查過，怕是每條都拋例外造成的假象：

最後那條仍是正確行為，但紅的機制與另外三條不同，記下來。

但這次的「猜中」沒有資訊量。 我跑之前寫「gate 2 會過」，它過了——可是 PRD-12 是我剛寫進去的明文，模型照做是應該的。真正有資訊的是第一輪那次：規格沉默的時候，它會自己做選擇，而且會告訴你。

還有一個沒猜到的。兩輪的 GAP 清單都是 5 條，第一輪的 GAP-1（balances_charted 未定義）被 PRD-12 補掉，符合預期；但第一輪那條 GAP-5「其他收入沒有對應的請領年齡參數」，第二輪它沒提，而規格在這一點上一個字都沒改。反過來，「多筆大筆支出落在同一年」第一輪沒提、第二輪提了，我兩輪都猜它會提。

temperature = 1，輸出本來就不是決定性的。同一份規格的缺口清單，跑兩次不一樣——單靠一次生成去盤點規格缺口是不夠的。

意外收穫：證據層級要修正

第一輪的 preflight 我問的是「你現在能使用哪些工具或功能？」，模型回了一篇產品功能簡介：網頁搜尋、圖像生成、程式碼執行、文件分析。

那是產品能力，不是本次對話的開關狀態。這份 preflight 不能當隔離證據。

第二輪改了問法，要求只回答這次對話的實際狀態，並附上 AI Studio 側欄截圖。證據齊了：Gemini 3.1 Pro Preview、temperature = 1、Thinking level High、六個工具全 OFF、System instructions 空白。Day 13 那兩行紀錄缺失（temperature 與 thinking 沒記錄）這次補上了。

但截圖跟模型自述對不上。截圖的 System instructions 欄位是空的，模型卻說：

是的，目前有一條系統提示正在生效，逐字內容為："Your knowledge cutoff date is January 2025."

本系列原本的證據層級是「介面截圖 > 作者口述 > 模型自述」，照這個排序該信截圖。但兩個都沒說謊——UI 顯示的是「使用者設定的那一格」，模型看到的是「使用者設定的 + 平台注入的」。

截圖看不到平台注入的那一層，只有模型講得出來。排序要修正：截圖與模型自述不是上下級，是互補。

這篇沒有做的事

兩輪都是單次生成（runs: 1）。這是產物實驗不是分佈實驗，所以不能拿來宣稱「PRD v1.2 足以支撐實作」——那種說法要 ≥5 次獨立生成。

產物的 balances_raw 語意與 legacy 不同（它記期末餘額，legacy 記期初扣款後滾存），模型在 GAP 裡標示了。因此 golden_set_v2.json 的 final_balance_raw 不可與 v1 直接比較。

只帶走一件事
「AI 寫的測試，誰來測？」——這個問句預設了有一個「誰」。
那個誰，誰來測？

今天的 repo：https://github.com/eyelash500/2026_ironman_test_ai/tree/day15