TL;DR

• 把同一份規格交給兩臺模型各跑五次，十份產物裡有一條關係是全員都寫的
• 它在受測的那版永遠是綠的：那兩個「輸出」其實是同一個物件；換到上線那版，同一條斷言一秒抓到被藏起來的負 850 萬
• 一條「兩個輸出該吻合」的測試值不值錢，取決於那兩個輸出是不是同一段程式算的。而這件事從測試本身看不出來

前言

昨天的四條蛻變關係，結尾留了一個預測：AI 大概寫不出「對帳」那一種。

今天去驗。同一份規格只換一句話：不要算出答案，寫出關係。兩臺模型（gemini-3.1-pro-preview 與 gemini-3.8-flash）各跑五次，十份產物、143 條關係。

預測兌現了，但那不是今天最值得寫的。真正的是：沒有魔術數字的測試，不會比較好 review。

所有的尺都說這批沒問題

先過 Day 22 那條流水線：

• 斷言檢核器：十份全過，忠實性 89% 到 100%，八份滿分（Day 22 的 PRD 組當時只有 2/5 和 1/5）
• 基準線：143 條只有 1 條在正確的實作上是紅的
• 變異分數：單獨跑 14.3% 到 35.7%，跑之前封存的預測猜中

第一項的提升有結構性成分：蛻變關係不必推導數值，Day 24 那種「期望值算錯」的失敗方式在本輪根本不存在，不宜當成模型變強。

那唯一一條紅的錯在單位。它主張「固定年支出與其他收入同時調增相同金額，目標金額不變」，理由是「兩者通膨基準都是現齡」，理由完全正確，但固定年支出是年額、其他收入是月額，程式裡會再乘十二。兩邊各加二十萬，實際差了十二倍。

推理對，關係錯，而斷言檢核器給這份 100% 忠實性：忠實性量的是斷言有沒有忠實表達它宣告的意圖，不是那個意圖對不對。

十份都寫了同一條

在 143 條關係中，有一條是十份產物全部涵蓋的（10/10）：圖表用的餘額軌跡必須逐項等於真實的餘額軌跡。

assert res.balances_charted == res.balances_raw

兩個輸出、逐項比對、直接對應規格裡「圖表餘額不得下限截斷」那一條。十臺獨立生成都投了同一票。

實作長這樣：

balances_tuple = tuple(balances)        # 148
...
balances_raw=balances_tuple,            # 154
balances_charted=balances_tuple         # 156

兩個欄位指向同一個 tuple。這條斷言在比較一個東西跟它自己，折現算錯、通膨基準搞反、索引位移，它都不會紅。

同一條測試，換一個實作

把一個字都沒改的它放到上線那版：

tests/test_day26_demo.py::test_mr_charted_balances_veracity[legacy]  FAILED
tests/test_day26_demo.py::test_mr_charted_balances_veracity[fixed]   PASSED

E   AssertionError
E   At index 2 diff: 0.0 != -8503876.791881818

第三年就分歧。圖表顯示 0.00，真實餘額是負 850 萬，26 年裡 23 年被夾平。

charted.append(max(0.0, remaining))     # 121
...
balances_raw=tuple(raw),                # 127
balances_charted=tuple(charted),        # 128

兩條各自累積的 list，圖表那條把負餘額夾成 0。這塊遮羞布在第一幕編號成缺陷 A'，它讓曲線貼著地面走，看起來像「剛好花完」。

同一條測試、同一個形狀，在一個實作上價值是零，在另一個實作上直接抓到缺陷。差別不在測試裡，在實作裡。

示範腳本裡另加兩條對照，用 is 而不是 ==：

def test_the_two_fields_are_the_same_object_in_fixed():
    res = fixed.calculate(get_base_params())
    assert res.balances_charted is res.balances_raw       # PASSED


def test_the_two_fields_are_separate_objects_in_legacy():
    res = legacy.calculate(get_base_params())
    assert res.balances_charted is not res.balances_raw   # PASSED

綠的那份之所以綠，不是因為實作對，是因為那兩個「輸出」根本是同一個東西。

Review 時該看哪裡

看到 assert A == B 而兩邊都是程式的輸出，不要讀測試，去 grep 實作看那兩個欄位怎麼產生的：

今天也出現了上述表格的第二種情況，十份產物中有五份寫出：

assert delta_gap == pytest.approx(-delta_savings)   # 缺口的減少量 == 資產的增加量

這看似是跨輸出的對帳，但在程式中，缺口定義為「目標金額減資產」。代入後：

Δ缺口 ≡ Δ目標金額 − Δ資產          （定義，恆成立）
斷言 Δ缺口 == −Δ資產  ⟺  Δ目標金額 == 0

那五條都只動期初資金，所以它們真正斷言的是目標金額不受期初資金影響，也就是正交性。一條貨真價實、變異體打得到的關係，只是跟它的長相完全不同。

不是廢話，是它測的不是你以為的那個。這種最麻煩：報表綠的，關係也是真的，但你以為的覆蓋範圍跟實際的差了一截。

跟退休金無關的版本：

assert resp["count"] == len(resp["list"])

• count = len(items) 是回傳前算的 → 零，任何實作下都綠
• count 來自 SELECT COUNT(*)、list 來自分頁查詢 → 很高，分頁 off-by-one、WHERE 不一致、快取沒失效全抓得到

這個檢查不需要懂業務邏輯，看的是「這兩個值從哪來」而不是「這個金額算得對不對」，純結構判斷，可以直接寫進 code review checklist。

也就是說：不要讀測試，去讀那兩個欄位怎麼來的。 讀測試會讀到意圖，而意圖是寫測試的人（或模型）宣告的，跟程式實際做了什麼是兩件事。

第二個條件

十份裡八份刻意把月支出設到五十萬讓餘額跌破零，另外兩份沒有。那兩份即使放到有缺陷的版本一樣是綠的，餘額沒跌破零時 max(0, x) 就等於 x，兩條路徑還沒分岔。

所以要兩件事同時成立：

1. 兩個輸出真的來自不同的計算路徑
2. 輸入走得到那兩條路徑分歧的地方

第二個條件容易被忽略。即便找對了關係，若僅輸入常規參數，錯誤也不會觸發。

它沒寫出來的那種

143 條關係中，沒有任何一份寫出跨路徑的對帳（例如「資金設為目標金額，期末餘額應為 0」）。三次獨立的掃描均未出現此類測試。

它偏好寫起來順、讀起來合理的東西，而對帳那類繞、醜、容易寫錯。這個傾向前面量過兩次：Day 23 是它挑好算的數，Day 24 是它寫大量看起來合理的弱斷言。今天是第三次。

所以光說「寫蛻變測試」不夠，得加一句：

找出程式裡兩個必須吻合的出口，讓它們互相對帳。

不加，拿到的會是一堆縮放與單調：漂亮、有道理、抓不太到東西。

現成可以找的三個對帳點：

後記

這篇的主軸換了三次，前兩次都被我自己推翻。

第一版就是上面那條缺口關係。當時覺得抓到寶了，五份都寫了一條假的對帳，標題都想好了。隔幾個小時回頭對原始碼，代數一做完，寶就沒了。

比較難受的是判錯的方式。昨天才剛寫過一次同樣的教訓，把「殺 0 個變異體」讀成「這條關係是廢話」，隔一天又來一次。再往前翻還有第三次：把「兩次執行相加等於第三次」當成對帳，那時候也沒發現。

三次，同一個毛病，而且每一次當下都覺得自己看懂了。

這個系列寫到現在，量 AI 量了很多次。今天這一篇，有大半的時間其實是在量自己。

這些數字不能拿來做什麼

• 十份產物、一支計算機、兩臺模型。「沒有一份寫出跨路徑對帳」是預測兌現，不是定律
• 主軸是存在性證明：一條關係、兩個實作、一綠一紅，足以證明「看不出來」會發生，推不出「有多少比例的關係測試是無效的」
• 提示詞舉的 sort() 例子示範了「順序不變」與「長度加一」兩種形狀，而產出裡這兩類偏多。分布有一部分是提示詞自己的回音，所以本文不宣稱 AI 偏好哪一類關係

逐條結果、事前預測、撤回經過與完整限制都在 manifest.yaml。

只帶走一件事
一條「兩個輸出該吻合」的測試，值不值錢，取決於那兩個輸出是不是同一段程式算出來的。
而這件事從測試本身看不出來，要去讀那兩個欄位怎麼產生的。

今天的檢查是人工做的：看到跨輸出的斷言，自己去 grep 實作。

十份產物、143 條關係，一條一條這樣查得完嗎？

今天的 repo：https://github.com/eyelash500/2026_ironman_test_ai/tree/day26