Jev P0 方法论吸收执行与验证（勘误版）
- HTML: https://decision.ht1072.top/2026-09-20-jev-p0-absorption-execution-2026-09-20-r2.html
- Local HTML:
[已移除本地路径] - Generated: 2026-09-20T14:00:34+08:00
Jev P0 吸收执行与验证记录（2026-09-20）
依据：
~/llm-wikis/knowledge-ops/queries/jev-typesafe-absorption-eval-2026-09-20.md（评估结论：Watch + Sidecar Trial，P0 = 方法论吸收） 边界协议：references/boundary-controlled-partial-absorb-execution-2026-05-29.md
吸收了什么
| 项 | 落点 |
|---|---|
| 纪律一：原子决策分解 | ~/.hermes/skills/integration/external-project-absorption-eval/references/system-one-decision-methodology-2026-09-20.md |
| 纪律二：置信度三分法 | 同上 |
| 纪律三：阈值随风险缩放 | 同上 |
| SKILL.md 入口 | external-project-absorption-eval 新增「决策方法论类项目的最小吸收入口」段 + reference 索引 |
未吸收（边界留痕）
- 未安装 typesafe-sdk、未申请 API key、未调用 api.typesafe.ai
- 未引入 Jev runtime / 并行采样架构
- 未改默认模型路由、未写全局配置
- 未创建外部项目默认目录
- P1（Vercel Gateway 旁路验证）、P2（生态跟踪）未动
真实验证：晨报去重 A/B/C 实验
场景：晨报 prefetch 缓存（69 条 / 15 源），跨源语义去重是现状真实缺口（URL/标题精确去重全为 0）。
实验设计（三组对照，模型 deepseek-v4.1-flash @ 本机 AxonHub）：
| 组 | 设计 | 结果 | 耗时 |
|---|---|---|---|
| A 基线 | 一次性 prompt 让 LLM 直接判"哪些重复" | 6/7 正确，漏判 1 对（Thariq 同一功能宣布+补充），无 reason | 72.6s |
| B 逐对原子 | 每对独立原子问题 + 确定度 + 三分法 | 7/7 正确，每条带可追溯 reason | 66.7s |
| C 批量原子 | 一次调用 + 每对独立成节原子问题 + 确定度 | 7/7 正确，带 reason | 81.3s |
勘误（2026-09-20 21:40）：初版记录误写 A 基线耗时 6.0s——那是首次运行因模型名写错快速报错的耗时，非有效测量。有效运行三组耗时均在 60–80s 同量级（AxonHub 串行 curl 单连接），延迟差异不构成决策依据。
结论：
- 方法论收益真实：7/7 vs 6/7，且 A 组唯一的错判（漏判 Thariq 对）恰是"同一发布 + 补充说明"这种需要原子化"是否同一事件"才能抓到的类型。分解逻辑本身就是收益来源。
- 延迟三组同量级（60–80s，受本机串行 curl 限制）：方法论升级不付延迟代价，收益纯粹来自准确率 + 可追溯性。B 慢是 7 次串行调用的网络开销，生产形态选 C（原子分解 + 单次打包）。
- ⚠️ 置信度自报偏乐观：C 组 7 个 confidence 值全部 ≥0.75（B 组另 7 个全部 ≥0.90），其中对[2]（MIT Tech Review 同主题两篇）自报 0.75 却判对、对 Thariq 自报 0.95。LLM 自报置信度分布压缩在高位，不能直接当校准概率用——三分法的 FLOOR/HIGH 阈值必须按本域数据校准，不能照抄。这实测印证了 Jev 官方对 LLM 置信度的批评，也划清了「方法论可吸收、Jev 的校准概率本身才是 vendor 差异化」的边界。
- 低成本候选筛选（Jaccard ≥0.20） 是必要前置：69 条 → 7 候选对，避免 O(n²) LLM 全量调用。阈值 0.20 时无漏检（人工核对 ground truth 确认）。
Ground truth 人工核对（7 对）：对[0] HN/Lobsters 同一篇文章=真重复；对[1] 掘金同作者系列两篇不同文章；对[2] MIT 同主题两篇独立文章；对[3][6] GitHub 不同仓库；对[4] Gary Marcus 两篇不同文章；对[5] Thariq 同一功能宣布=真重复。
Evidence Card
- Command / Check：
python3 /tmp/p0_jev_ab/ab_real.py+ab_c.py（已归档~/llm-wikis/knowledge-ops/evidence/jev-p0-absorption-2026-09-20/） - Exit Status：0（A/B/C 三组均完成）
- Covered：三条纪律写入 canonical skill reference；SKILL.md 入口 patch；晨报去重真实数据 A/B/C 验证完成，B/C 优于 A
- Not Covered：Jev SDK/API 真实调用（无 key）；wiki 治理告警分诊场景未做（后续候选）；置信度阈值长期校准曲线未建立（单次实验）
- Residual Risk：LLM 自报置信度不可靠 → 三分法阈值需按域校准；单日数据样本小（7 对），需晨报连续运行积累
- Confidence：高（方法论收益方向性结论明确；具体阈值数字为单日样本）
下一步建议
- 把 C 形态（原子分解 + 单次打包）接入晨报 fetcher.py 的去重环节，阈值先保守（FLOOR 0.50 / HIGH 0.85），跑一周积累校准数据
- 若校准数据显示自报置信度持续压缩在高位，考虑把 HIGH 提到 0.9+ 或改用「冲突检测」（A/B 判断不一致时转人）替代纯阈值
- wiki 治理告警分诊作为第二场景复制此模式