TL;DR

• 三十天分四幕：驗屍、規格、造尺、沒有答案的時候。每一幕收成一句
• 八十筆決策紀錄，二十六筆不掛任何閘門，其中十二筆是量 AI 的人自己壞掉之後的更正
• 這一套有適用範圍。四項特徵缺一項，砍掉一半工

前言

系列從第九天起用五道閘門當骨架：規格層、設計層、門檻層、判讀層、終審層，每一道都是「AI 產出、人驗收」的一個交接點。

這篇不列清單。三十天的細節都在各天，這裡只收每一幕的結論，以及那八十筆決定加起來看到了什麼。

第一幕：驗屍（Day 1–7）

一支 AI 寫的退休試算上線一年，我檢查過，它「沒問題」。解剖出四個缺陷，其中一個（少算一個 (1+r)）讓目標金額差了三百零六萬。

這一幕量到的不是 AI 寫錯了什麼，是驗證的成本沒有跟著產出的成本一起降。五百組差分測試全綠，卻給了完美的假象：因為影子模型逐行複製了受測物，兩邊一起錯。七天證明了它「現在就是這樣動」，沒有任何一刻證明它「動得對」。

先有行為快照，才有資格談對錯。

第二幕：規格（Day 8–14）

規格考古挖出十個現場——程式碼默默做了十個決定，沒有一個被寫下來。閘門一首度登場，四改六維持，其中一條在查證六個試算器之後改判。然後把規格餵給 AI：畫及格線、跑 RTM、刪一條規格看它會不會偷偷補回來、把邊界寫成關係式。

十三條測試全綠，殺得掉的只有「乘以 −1」。

規格不是給人讀的，是給測試對的。沒寫下來的規格，案例只能回程式碼——而程式碼正是要被驗的東西。

第三幕：造尺（Day 15–23）

424 條案例分級、斷言檢核器、變異 harness、十四個變異體、第一個變異分數 85.7%、補完之後 100%。然後把同一份規格給兩臺模型各跑五次：規格只給一句話時殺掉零個變異體；給十二條時三份存活集合完全相同。

每一把尺出廠當天都量到自己的盲區。綠燈的門檻是「不拋例外」；覆蓋率量的是執行過，不是檢驗過；變異分數的分母是人設計的目錄，換一份目錄分數就換一個。

尺是人造的，盲區也是。三個數字沒有一個在量「測得對不對」。

第四幕：沒有答案的時候（Day 24–29）

先量到 oracle problem 的實證版本：AI 寫測試時，那個期望值的唯一來源是它自己，人核不動。

換個問法——不問答案是多少，只問兩次執行之間該有什麼關係。四條手寫的關係裡，唯一抓到缺陷 A 的是最麻煩的那條。把同一份規格交給 AI 要它寫關係：十份沒有一份寫出那種對帳，十份全部寫了一條在受測實作上永遠不會紅的斷言。人漏掉的兩格，AI 補了一格，靠的是一條防呆測試。另一格活到最後，原因跟前一格一樣：沒有任何一組輸入讓那段邏輯產生過差別。

換成關係之後，人核不動的東西從「數字對不對」變成「這條關係在約束什麼」。結構交給工具，語意留給人。

八十筆決定

每一筆閘門決定當天進 decisions.md，一行一筆：日期、閘門、決定、理由。三十天累積八十筆。

終審層只有四筆，因為修復還沒發生，下一篇補。

不掛閘門的二十六筆，十一筆是流程與基礎設施（tag 怎麼打、push 怎麼推、草稿留不留），三筆是觀察。剩下十二筆是同一種東西：工具壞掉、判斷滑掉、數字抄錯之後的更正。變異工具第一版在沒跑到任何測試的情況下回報「全部存活」；「殺 0 個」判成「廢話」，讀者指出後撤回，隔一天把正交性判成恆真命題，隔三天把「九份沒殺掉」寫成「毫無增益」；守衛設計錯誤，十個檔案全部「相等」一次都沒響。

這十二筆沒有一筆在講 AI。它們在講量 AI 的人。

什麼時候用這一套

不是所有 AI 產出都值得查到這個程度。三十天量出來，四項特徵讓一份產出變得危險：

缺一項就砍掉一半工。純介面、CRUD 流程沒有行為快照的價值；規格自己當天寫的不必考古；只有一條計算路徑，對帳無從寫起。

後記

整理決策紀錄的時候，那二十六筆不掛閘門的比什麼都刺眼。

原本以為做到最後會得到一份「AI 會犯哪些錯」的清單。實際得到的是一份「量 AI 的時候我自己壞在哪」的紀錄。

這些數字不能拿來做什麼

• 四幕的結論是一個受測物、一個作者、三十天的產物。它們是紀錄，不是方法論
• 四項適用特徵從一個案例加一個對照組歸納，說明相關，推不出因果
• 「不掛閘門」的分類是事後標的，邊界有主觀成分
• 終審層的四筆還不含修復，下一篇補上才算數

完整八十筆在 decisions.md，每筆附理由。

只帶走一件事
三十天問「AI 寫的測試誰來測」，記下來的八十筆決定裡，有十二筆是量的人自己壞掉之後的更正。

結論收完了。剩下的是回去修那支程式——以及看看那個從第二十天活到現在的變異體，會不會死。

今天的 repo：https://github.com/eyelash500/2026_ironman_test_ai/tree/day30