jay 自测日记录 · 2026-10-27
总分：41/50（较 10-26 的 38 分 +3，较 10-25 的 40 分 +1；index 所记 -8.0 个百分点趋势本轮转升）
知识盲区：①「结构化真源 vs 事后检测」只记住两条清单式对照（CRDT+git+Zotero / G-P-F），讲不清分野判据：Aldine 真源在写入时外置，Grover 检测在输出之后做概率判定，二者时机与判定对象根本不同，说不出该判据与失效条件；②G/P/F 只背得「F 独立于 G」，记不住 Intermediate failure = not(P and F) 字面式，讲不清它与 Strict = G and P and F 的关系，也答不出「G 通过但 F 失败」的轨迹如何标记；③openui 的 token −67% / 渲染 3× 只当官方 benchmark 数字引用，说不清口径（基线、是否同模型同任务、3× 是渲染侧还是模型侧、含不含渲染器开销），也判断不了它与「MCP 受约束 schema 同构复制」证据强度差几级；④A2UI「双头风险」只记结论（仓库自带 a2ui/ + A2UI 由 Google 牵头），答不出为何这是碎片化风险而非正常分层；⑤「批次结构偏差」只复述 3+5/2+6/8+0/0+8 数字，记不住归因方向（受轮次调度而非主题缺口驱动）与边界（记录非推论）。
- 来源材料：v152 增量批次（8 件全 repo_card、零 paper_card），无单篇 arXiv 论文；identity
2014.2026= engineering · 知识库活文档（v152 = 2026-10-26 09:15）；出题仅据本篇，历史上下文仅读selftest/jay/index.md与entries/2026-10-26.md、2026-10-25.md - 被使用文件：
organized/knowledge/engineering.md（主源 §0–§6 v152 段） - 保留 arXiv 号：2309.16609 · 1712.05889 · 1911.05371 · 1606.04080 · 2103.07719 · 1905.12616 · 1802.04240 · 2009.01325 · 2204.00598 · 2001.09977 · 2009.14794 · 1401.5226 · 1901.06796 · 2610.12933 · 2606.14061 · 1805.07932 · 2105.14491 · 1803.01164 · 1807.06514 · 1605.08803 · 2004.11362 · 1710.05941 · 1812.06127
题目一（Generative UI 内核 · 为什么是 DSL 不是代码）
问：openui 的核心技术赌注是什么？「67% token 节省、渲染快 3×」写进文档缺什么口径才可引用？
答：核心是设计与结构分离：模型不输出裸 UI 代码或 JSON，而输出 OpenUI Lang——紧凑的、流式优先的 UI 描述语言，由渲染器映射到宿主自有组件库（shadcn/ui / MUI / Ant Design / Radix / Chakra），故跨设计系统结构一致。官方 benchmark 称比 JSON 最多省 67% token、渲染快 3×。
口径须补：① 基线是「等价 JSON 描述」，须注明同渲染器同任务集；② token 节省是描述语言长度效应，非模型能力差异；③ 3× 是渲染侧收益（模型只产结构、由宿主渲染器渲染）；④ 「最多省」是上界非均值，不可据此规划预算；⑤ 系厂商官方 benchmark，缺第三方复现。
评分：8/10 扣分：核心赌注答准；未点出 3× 属渲染侧归因，漏「最多省」是上界。
题目二（脉 B 双层结构 · 端侧反捆绑）
问：free-my-tv 与 unbloat-android-tv 构成什么结构？free-my-tv 为何是「AI 编码代理 → 端侧消费级应用闭环最清晰样本」，对 CUA 意义为何？
答：构成双层拆除：free-my-tv 替换主屏层（Google TV / Android TV 及 LG webOS、Samsung Tizen 的无广告 Apple TV 风格主屏，一键可撤销）；unbloat-android-tv 额外削减系统层（去广告与遥测，可逆、双击还原）。同批同主题且一周内同时进 trending → 材料判定「去广告 / 去捆绑」在 2026 H2 已是独立且持续的品类。
free-my-tv 自述 built with Claude Code 并被收录为面向 Claude Code / Codex CLI / ChatGPT 的 AI Agents skill：代理数日内产出 4.5K★ 真实产品，价值恰在替代厂商预装且不可关闭的商业层（广告行 / 遥测 / 自动播放）。对 CUA 是反向验证：过去 CUA 关注「代理如何操作既有 GUI」，此处展示「代理直接生成替代既有 GUI 的产品」——对厂商 UI 层侵蚀可能更快。
评分：9/10 扣分：三点答全；未指出 unbloat 自身也加 Apple TV 风格主屏（两层重叠），未提材料对 free-my-tv 护城河与热度倒挂质疑。
题目三（BizAgentBench · G/P/F 与判据强度）
问：G/P/F 三维各是什么？Strict 与 Intermediate failure 判定式是什么，F 为何独立于 G？规模与可比性？
答：G（Goal）= 期望业务结果与允许终态条件；P（Process）= 约束业务操作执行过程的要求；F（Protection）= 受保护对象、账本完整性与被禁副作用。Strict = G and P and F 全通过；Intermediate failure = not (P and F)（P 或 F 任一失败即判中间失败）。F 独立于 G 是关键：Agent 可完成业务目标（G 通过）却仍造成账本污染或越权副作用（F 失败）——即「平均成功不等于可信」的硬约束。
规模：50 个支付服务任务，多轮客户对话 + 工具调用，任务同约束结果与中间动作；仓库提供任务契约、客户场景、知识文档、初始数据库状态、业务工具定义，以及可执行环境、用户模拟器与确定性评估器；仅 test 一个 split、无训练 split；数据与代码 commit dfebabaa9f7fb7f74c7d7236b08ae53e64d2185d 绑定。
可比性有限：与 GAIA / BFCL V3 / τ²-bench 榜单不可直接比较；行业关注 pass^k，仅 τ²-bench 系统性报告，此缺口未闭合；用户模拟器引入模型依赖，评估器虽确定而环境非确定，削弱严格性主张。材料另指支付 / 资金域副作用不可逆性最高，为最佳战场。
评分：9/10 扣分：定义、两式、F 独立于 G、规模、commit、模拟器非确定性全对；没讲清「G 通过但 P 或 F 失败」既不计 Strict 又属中间失败。
题目四（Aldine · 三重外部真源与 spec-as-skill）
问：Aldine 为何是 v152 唯一同时命中三条既有主线的增量？三条主线与「三重外部真源」各是什么，与 Grover 的「以攻代守」构成什么张力？
答：三主线：① 自托管（两容器 + 平铺文件、默认无数据库、AGPL-3.0、零付费层）；② MCP 协议层（可选 Claude MCP server）；③ Agentic Engineering（suggested edits = 代理生成评审建议）。并补上本库此前为零的「学术排版 / 文献管理」子域。
三重外部真源：CRDT（Yjs）——冲突按构造不存在、协作者不限；git——每项目皆真 git 仓库，可分支/合并/查历史并推送 GitHub / GitLab / Gitea / Forgejo；Zotero——库同步、按标题经 OpenAlex 检索、粘 DOI 补 BibTeX 并插 \cite。另有沙箱化编译（TeX Live 容器、无网络出口、限制 shell-escape），热重编译约 2 秒。
张力：Aldine 用三重真源保证内容可信（结构化真源路线），与 v151 Grover（arXiv:1905.12616，1325 引）的「以攻代守」检测路线构成「结构化真源 vs 事后检测」两种真实性范式。材料并记 Aldine 自述短板（v0.x，无 compile timeout / pricing / DPA / data-residency）为「无托管声明成采用门槛」之例证。
评分：8/10 扣分：三主线、三真源、范式张力都对；但只把两范式并列成清单，讲不出为何是范式对立（真源路线在写入时即外置并约束冲突/版本/引用，检测路线在输出后用概率判定真假，作用时机与判定对象根本不同，不可互补为单一方案）。
题目五（争议与批次偏差 · 强度纪律）
问：v152 为何说与 v144 八维主线「仅部分相交」而非「强化主线」？批次结构出现什么可记录模式，被定性为哪类问题？哪项张力削弱 openui 的「开放标准」主张？
答：v144 八维 = 推理引擎 / KV Cache / MCP 协议层 / Agentic Engineering / Harness / 自托管 / 数据库 / CUA / 安全事件。v152 的 8 件全落消费级 / 端侧 / 界面层，非训练 / 推理基础设施层；且首次在同批次内同时捕获绝对热度极值（openui 13845★）与周增极值（free-my-tv +4664）→ 「主线未被强化而是横向拓宽」。
批次模式：v152 = 8 件全 repo_card、零 paper_card，与 v151 的 8 paper / 0 repo 恰为镜像；v149–v152 呈 3+5 / 2+6 / 8+0 / 0+8 严格交替。材料记录为（不作过度推论）「增量采集的来源选择可能受轮次调度而非主题缺口驱动」，争议 ⑥ 定性为采集管线层面而非知识层面的一致性问题，已连续两轮被记录。
削弱「开放标准」的是争议 ①：openui 自称 "The Open Standard for Generative UI"，但同时是 Thesys 的开源框架 + Thesys 运营的 OpenUI Cloud（官方类比「the company behind OpenUI, like Vercel behind Next.js」），且 1.0 的 custom functions / actions 与 stored message format 当前需 React 渲染器；另有同名工具 wandb/openui（Weights & Biases，Apache-2.0），命名冲突即碎片化证据。争议 ② 另记 A2UI 双头风险（仓库自带 a2ui/ + Google 牵头的 A2UI 并存 → 收敛路径未定）。
评分：7/10 扣分：横向拓宽、8+0 镜像与四轮交替、管线层面定性、openui 单厂商归属 + React 限制 + wandb 同名、A2UI 双头全对；但给不出「横向拓宽 vs 强化主线」的操作化判据（要什么证据才算强化），只能复述结论。
总评
总分：41/50（较 10-26 的 38 分 +3，较 10-25 的 40 分 +1；index 所记 -8.0 个百分点趋势本轮转升）
后续动作：靶子压在三处可判据化——① 「结构化真源 vs 事后检测」写成时机 × 判定对象两轴对照并给失效条件；② G/P/F 三式连同蕴含关系与有害轨迹处置写成形式化条款；③ 给「横向拓宽 / 强化主线」定可检查判据。