docs: 代理层方案增补 + 语义分析器与三级分级执行方案入库（T-G0 准备）

2026-09-05 11:01:17 +08:00
parent 3250e4e099
commit 3e1f187380
5 changed files with 347 additions and 1 deletions
@@ -0,0 +1,283 @@
+# 实施方案：语义分析器与三级任务分级（T-G0…T-G8 执行版）
+
+> 编写日期：2026-09-05　状态：**执行版**（设计依据《方案_校园AI代理层.md》§7；冲突以本文为准）
+> 前置依赖：代理层 T-P0…T-P8（观察埋点依赖其账本/网关基建；T-G0/G1 可与之并行）。
+> 预期读者：负责实现的 AI Agent。必读：§1 锁定决策、§2 三级规格、§11 测试纪律。
+> 总工期约 11 个工作日；里程碑 M-G1（采集）→ M-G2（shadow）→ M-G3（live 分流）。
+
+---
+
+## 0. 范围与非目标
+
+**范围**：语义分析器（共享 Embedding 底座 + 轻量分级头）→ 三级难度档位 → 三类消费方
+（v2 编码管线 / 校园代理 / 端侧客户端）的执行逻辑分流；观察-标签-校准-重训数据闭环；
+shadow→live 灰度；审计抽样接 ReviewQueue。
+
+**非目标（超纲不做）**：LoRA/vLLM 分类服务（预留接口，T-G8 可选实验）；多语言分类头；
+实时在线学习（夜间批处理为准）；情感/内容安全分类。
+
+**核心改动约束**：`router_system/` 仅允许一处受控改动——`pipeline.py` 注入可选
+`tier_fn` 钩子（默认 None = 现行为逐字节不变，见 D-G5）；其余全部落在 `gateway/sense/`。
+
+---
+
+## 1. 锁定决策（实现中不得擅改）
+
+- **D-G1 分级是建议，阶梯是权威**：TierDecision 只决定入口档位；任何档位失败都沿
+  T1→T2→T3 升级阶梯爬升（复用现有验证器/升级回路）。分析器错误的上界 = 一次浪费的尝试。
+- **D-G2 标签只来自结果观测**：禁止人工标注难度作为训练集主体（人工仅审计抽样纠偏）。
+  true_tier 由夜间任务从 outcome 推导（§4 规则）。
+- **D-G3 一切决策带版本**：每条 TierDecision 记录 policy_version（= 模型工件版本 +
+  阈值版本）；阈值由 split-conformal 夜间重算，**数据不足（<500 条标签）时沿用 last-good**。
+- **D-G4 降级阶梯**：Embedder 挂 → 决策退化为规则门（§2 特征门）+ 默认 T2；
+  分类器工件缺失 → 同上。任何智能组件故障不得影响代理可用性。
+- **D-G5 零依赖与钩子**：serving 路径零新依赖（线性头推理 = 纯 Python 点积，768 维
+  int8 ≈ 0.1ms）；numpy 仅离线训练用（requirements-ml.txt，可选安装）。
+  `pipeline.py` 只加 `tier_fn: Optional[Callable]` 构造参数与一处 if 分支。
+- **D-G6 隐私与留存**：embedding 存 int8 BLOB、按课程桶分区；观察记录留存 180 天
+  （与账本归档对齐，夜间任务顺带清理）；`/v1/route` 不落原始 query 全文（只存哈希+特征）。
+- **D-G7 灰度开关**：`sense.enabled`（总开关，默认 false）+ `sense.mode`：
+  `collect`（只记不决策）| `shadow`（决策只写日志比对）| `live`（真分流）。
+  非 live 模式下所有消费方行为与现状一致。
+- **D-P 系全部继承**（毫元整数/凭据/单进程等），本文不重复。
+
+---
+
+## 2. 三级任务分级规格（罗列）
+
+| 档 | 典型任务 | 特征门（硬性，任一不过即降档） | 执行逻辑 | 验证方式 | 失败升级 | 目标占比 |
+|---|---|---|---|---|---|---|
+| **T1 简单** | 概念解释、改写/翻译/摘要、格式转换、简单计算、单函数补全、报错一句话解释 | 单轮；输入 ≤512 tok；无仓库/多文件上下文；意图不在黑名单（实现/重构/脚手架/迁移/多文件）；code 域限解释/补全/单函数 | 本地小模型直答（客户端本机 / 校端 local-small 池条目） | code→接地验证（跑测试/facts）；QA→结构检查+facts 抽检 | →T2 | 40–55% |
+| **T2 中等** | 单文件函数实现、修 bug、带约束生成、模板代码、数据解析 | 单文件可完成；输入输出明确；验证可自动化；分析器置信中段 | **单次云端直答**（budget 档，deepseek-chat）或本地大模型直答（校端 9B+ 空闲时优先本地） | code→跑测试；QA→LLM rubric 抽检 | →T3 | 30–45% |
+| **T3 复杂** | 多文件/跨模块重构、项目脚手架、多约束需求、架构决策、长周期 agent 任务 | 仓库级上下文；需多步计划；多验收点；历史升级信号（曾从 T1/T2 升级） | **四阶段管线**：云 brief → 本地大模型构建+检测 → 云 decide 修复 → 云 final_review | 管线内置（Worker 接地验证 + final_review + 审计抽样） | 终审打回→管线内循环（rounds_cap） | 10–20% |
+
+**消费方 × 档位 = 执行逻辑**（同一 TierDecision，三类后果）：
+
+| consumer | T1 | T2 | T3 |
+|---|---|---|---|
+| `pipeline`（v2 编码智能体） | 现有 fast path（本地直答） | **新增档：单次云端直答**（跳过 brief/review） | 完整四阶段管线 |
+| `proxy`（API 透传） | model_pool `local-small` 端点 | `budget` 云端条目 | `premium` 云端条目（响应头建议走管线） |
+| `client`（端侧） | 本机模型直答 | 经代理云端直答 | 完整管线（本机=Worker，云=Architect） |
+
+---
+
+## 3. 文件清单
+
+**新建**：
+```
+gateway/sense/
+├── __init__.py        # build_sense_router(settings) -> APIRouter；唯一组装点
+├── config.py          # SenseConfig：buckets/consumer 映射/阈值路径/mode
+├── errors.py          # EmbedderDown/ArtifactMissing
+├── embedder.py        # llama-server /v1/embeddings 客户端 + int8 量化 + 降级
+├── features.py        # 特征门：token 估算/轮数/意图黑名单/多文件检测（纯函数）
+├── classifier.py      # TierHead 接口：LinearHead(npz 纯 Python 推理) | LoraRemote(vLLM，预留)
+├── calibrate.py       # split-conformal 阈值计算 + last-good 回退 + 阈值工件读写
+├── labeler.py         # 夜间 true_tier 推导 + 180d 清理
+├── observer.py        # 观察写入（to_thread + 100ms 批量）；消费方埋点 SDK
+├── grader.py          # 决策组合：probs + 特征门 + conformal 阈值 + mode
+├── store.py           # sense.sqlite3 DDL + 查询
+└── routes.py          # /v1/route、/v1/embeddings、/sense/admin/*
+scripts/train_tier_head.py   # 离线训练（numpy，requirements-ml.txt）
+scripts/sense_report.py      # shadow 一致率/分布/覆盖率报告（E-G1 数据管道）
+webapp/src/views/…           # 不新增页面；Settings 加 sense 区块、Metrics 加 tier 卡（T-G7）
+tests/test_sense_{embedder,features,classifier,calibrate,labeler,grader,routes}.py
+```
+
+**修改**：`gateway/api.py`（include_router，`sense.enabled` 门控，≤5 行）；
+`router_system/pipeline.py`（`tier_fn` 钩子，D-G5 唯一受控改动）；
+`gateway/proxy/routes.py`（T1/T2/T3 → model_pool 档位映射，`sense.mode=live` 时启用）；
+`config/settings.json`（`sense` 段）；`任务拆解与执行计划.md`、`AGENTS.md`（登记）。
+
+---
+
+## 4. 数据模型（`data/sense.sqlite3`，WAL；全部经 to_thread）
+
+```sql
+CREATE TABLE tier_observations(
+  id INTEGER PRIMARY KEY, ts INTEGER NOT NULL,
+  request_id TEXT NOT NULL, consumer TEXT NOT NULL,          -- pipeline|proxy|client
+  bucket TEXT NOT NULL DEFAULT 'default', domain TEXT DEFAULT '',
+  decided_tier TEXT NOT NULL, executed_tier TEXT NOT NULL,   -- shadow 期二者可不同
+  probs TEXT NOT NULL,                                        -- JSON {t1,t2,t3}
+  policy_version TEXT NOT NULL, features TEXT NOT NULL,       -- 门特征 JSON（不含 query 原文）
+  embedding BLOB,                                             -- int8 量化向量（query 哈希可关联）
+  outcome TEXT DEFAULT '',                                    -- ok|verified|escalated|failed|user_retry|timeout
+  true_tier TEXT DEFAULT '', human_override TEXT DEFAULT '');
+CREATE INDEX idx_obs_ts ON tier_observations(ts);
+CREATE INDEX idx_obs_policy ON tier_observations(policy_version);
+
+CREATE TABLE sense_artifacts(                                -- 模型/阈值工件登记
+  version TEXT PRIMARY KEY, kind TEXT NOT NULL,              -- head|thresholds
+  path TEXT NOT NULL, metrics TEXT NOT NULL, created_ts INTEGER NOT NULL, active INTEGER DEFAULT 0);
+```
+
+**true_tier 夜间推导规则（labeler.py，确定性）**：
+1. executed=T1 且 outcome∈{ok,verified} 且 24h 内无 user_retry → true=T1；
+2. outcome∈{escalated,failed,user_retry,timeout} → true = executed 的下一档（T1→T2→T3，T3 保持 T3）；
+3. consumer=pipeline 且管线发出 brief（route 含 plan:multi）→ true=T3；
+4. human_override 非空 → 以人工为准（审计抽样回写）。
+
+---
+
+## 5. 配置 schema（settings.json 的 `sense` 段）
+
+```jsonc
+"sense": {
+  "enabled": false,
+  "mode": "collect",                       // collect | shadow | live
+  "embedder": {"base_url": "http://127.0.0.1:8902/v1",
+                "model": "bge-m3-Q4_K_M", "timeout_s": 5, "dim": 1024},
+  "features": {"t1_max_tokens": 512, "t1_max_turns": 2,
+                "intent_blacklist": ["重构","脚手架","迁移","实现","多文件","项目"],
+                "code_t1_kinds": ["解释","补全"]},
+  "policy": {"alpha": 0.05,                // conformal：P(true>T1|判T1) ≤ α
+              "min_labels": 500, "t2_prefer_local_when_idle": true},
+  "consumers": {"proxy": {"t1": "local-small", "t2": "budget", "t3": "premium"}}
+}
+```
+
+`model_pool` 条目需相应增加 `tier_hint` 字段（local-small/budget/premium），缺失时按
+现有 local/budget/premium 映射兜底。
+
+---
+
+## 6. API 契约
+
+| 端点 | 说明 |
+|---|---|
+| `POST /v1/route` | {query 或 messages, consumer, domain?} → {tier, probs, confidence, thresholds_version, head_version, mode, fallback:bool}；**不落 query 原文** |
+| `POST /v1/embeddings` | OpenAI 兼容透传 embedder（客户端/代理共用） |
+| `GET /sense/admin/agreement?since=` | shadow 一致率、档位分布、逐域混淆矩阵（E-G1） |
+| `POST /sense/admin/calibrate` | 手动触发 conformal 重算（夜间任务自动跑） |
+| `POST /sense/admin/train` | 手动触发线性头训练（新工件 version，默认不 active，人工切换） |
+| `POST /sense/admin/promote` | 工件/阈值切 active（带 last-good 回滚参数） |
+
+**live 晋升门（shadow → live，三条同时满足）**：一致率 ≥85%；conformal 覆盖实测
+P(true>T1|判T1) ≤ α+2%；审计抽样（ReviewQueue）无"判 T1 实为 T3"的严重误判。
+
+---
+
+## 7. 模块接口签名
+
+```python
+# embedder.py
+async def embed(text: str) -> list[int]        # int8 量化向量；失败 raise EmbedderDown
+
+# features.py
+def gate(text_or_messages, consumer, cfg) -> Features   # 门特征 + t1_hard_ok: bool
+
+# classifier.py
+class LinearHead:  load(path); predict(vec) -> dict[str,float]   # 纯 Python 点积 softmax
+class LoraRemote:  predict(vec) -> dict[str,float]               # vLLM /v1/classify，T-G8 预留
+
+# calibrate.py
+def compute_thresholds(labels, probs, alpha) -> Thresholds      # split-conformal
+def load_active(store) -> Thresholds                            # 无合格工件→last-good→内置保守值
+
+# grader.py
+async def decide(query_or_messages, consumer, domain, store, cfg, now) -> TierDecision
+# TierDecision: tier, probs, hard_gates, thresholds_version, head_version, fallback
+# 决策顺序：embedder 降级检查 → 特征门（t1_hard_ok）→ conformal 阈值比较 → mode 裁剪
+#   collect/shadow：decided_tier 照算、executed_tier=现行为，只写观察不改流
+
+# observer.py
+async def log(obs: Observation) -> None          # 批量缓冲 100ms 刷盘（to_thread）
+
+# labeler.py
+def derive_true_tiers(store, now) -> int         # 返回回填条数；顺带 180d 清理
+```
+
+---
+
+## 8. 分级决策流程（grader.py 主时序）
+
+```
+输入 → embedder.embed（挂→fallback=T2+规则门，标记 fallback:true）
+     → features.gate（t1_hard_ok）
+     → classifier.predict(vec) → {p1,p2,p3}
+     → conformal 阈值 τ1（P(true>T1|判T1)≤α）：
+        p1 ≥ τ1 且 t1_hard_ok → T1
+        p3 ≥ τ3 或 特征含仓库级/多验收点 → T3
+        其余 → T2（含置信不足默认）
+     → mode 裁剪：collect/shadow → 只写 tier_observations（decided≠executed）
+                  live → 返回决策，消费方执行
+     → observer.log（全模式必写）
+```
+
+升级阶梯（消费方内实现，非 grader 职责）：T1 失败（验证不过/超时）→ T2；
+T2 失败（测试仍不过/用户重试）→ T3；阶梯每爬一级写 observer（outcome=escalated）。
+
+---
+
+## 9. 与现有系统的集成点
+
+1. **v2 管线**（`pipeline.py`，D-G5 钩子）：`build_v2_pipeline(..., tier_fn=...)`；
+   `tier_fn=None` 现行为不变。live 时：T1=fast path；T2=**新档**（单次云端直答，
+   复用 ArchitectClient 单次调用路径，跳过 brief/review）；T3=完整管线。
+   现有测试零回归（tier_fn 缺省路径逐字节一致）。
+2. **代理层**（`proxy/routes.py`）：`sense.mode=live` 时，转发前调 grader，
+   按 §2 消费方表映射 model_pool 档位；响应头 `X-Campus-Tier` 透出（可解释性）。
+3. **客户端**：`/v1/route` 直调；端侧 UI 显示"端侧/云端"来源与一键升级
+   （复用 v3 前端基建，T-G7）。
+4. **ReviewQueue**：T1 决策按 `review.sample_rate` 抽样入队（人工核"判 T1 实为更高档"，
+   human_override 回写观察表）。
+
+---
+
+## 10. 工件与训练（scripts/train_tier_head.py）
+
+- 输入：tier_observations 中 true_tier 非空且 policy_version 对应 embedding 可解析的行；
+  按时间切分 train/val/calib = 70/15/15。
+- 模型：线性有序三分类（softmax 回归，纯 numpy，类别权重均衡）；输出
+  `data/sense_models/{version}/head.npz + metrics.json`（macro-F1、逐档 P/R、AUC-ordinal）。
+- 阈值：calibrate.compute_thresholds(calib 集, α) → `thresholds.json`（τ1/τ3 + 实测覆盖率）。
+- 登记 sense_artifacts（active=0），人工 /sense/admin/promote 切换；回滚 = promote 旧版本。
+
+---
+
+## 11. 测试计划（隔离：tmp sqlite / 假时钟 / 假 embedder=确定性向量 / MockTransport）
+
+| 文件 | 必测用例 |
+|---|---|
+| test_sense_embedder | 正常向量；int8 量化可逆性（cosine 误差 <1e-2）；超时/挂→EmbedderDown |
+| test_sense_features | 特征门全表：单轮/多轮、长度边界、意图黑名单逐词、code 域白名单 |
+| test_sense_classifier | 纯 Python 点积与 numpy 参考实现一致（黄金向量）；工件缺失→ArtifactMissing |
+| test_sense_calibrate | 合成分布：α=0.05 时实测覆盖率 ≤α+2%；<500 标签→last-good；工件版本化读写 |
+| test_sense_labeler | §4 四条推导规则逐条；T3 保持 T3；180d 清理；human_override 优先 |
+| test_sense_grader | 决策表全组合（门×概率×mode）：shadow 不改流、live 才分流；fallback 路径 |
+| test_sense_routes | /v1/route 契约；/v1/embeddings 透传；admin 三端点鉴权；**不落 query 原文**（DB 断言） |
+| test_pipeline_tier_fn | tier_fn=None 现测试全绿；注入后三档分流各达预期路径；T2 档跳过 brief/review |
+
+---
+
+## 12. WBS：T-G0…T-G8（每任务一 commit `feat(sense): T-Gn 描述`）
+
+| # | 任务 | 产出 | 验收 | 估时 | 依赖 |
+|---|---|---|---|---|---|
+| T-G0 | 骨架 | gateway/sense/ 包 + DDL + `sense.enabled` 门控挂路由 | 全量测试绿；开关关闭 `/sense/*` 404 | 0.5d | T-P0 |
+| T-G1 | Embedder | embedder.py + int8 + 降级 + `/v1/embeddings` | test_sense_embedder 绿；llama-server 真机冒烟 | 1d | T-G0 |
+| T-G2 | 观察埋点 | observer.py + 三消费方埋点（pipeline 经 tier_fn=None 时的 executed 记录 + proxy/client） | test_sense_labeler 的观察写入部分绿；真机跑 10 请求观察表有行 | 1d | T-G0 |
+| T-G3 | 标签+校准 | labeler.py 夜间任务 + calibrate.py + 工件表 | test_sense_labeler/calibrate 绿；合成数据覆盖率达标 | 1.5d | T-G2 |
+| T-G4 | 线性头 | train_tier_head.py + classifier.LinearHead + 工件登记 | 黄金向量一致性；合成集 macro-F1 报告 | 1.5d | T-G3 |
+| T-G5 | Grader | grader.py + features.py + `/v1/route` + mode 三态 | test_sense_grader/routes 绿 | 1.5d | T-G4 |
+| T-G6 | live 分流 | pipeline tier_fn 三档 + proxy 档位映射 + 升级阶梯插 T2 档 | test_pipeline_tier_fn 绿（含零回归断言）；真机三档各走通 | 1.5d | T-G5 |
+| T-G7 | 审计+前端 | ReviewQueue 抽样接线 + Metrics tier 卡 + 客户端来源显示/一键升级 | 抽样入队可见；`npm run build` 产物更新 | 1d | T-G6 |
+| T-G8 | 实验（+可选 LoRA） | sense_report.py：E-G1 一致率/分布/覆盖率、E-G3 成本延迟 delta；（可选）LoraRemote+E-G2 | shadow≥2 周报告入 `research/v2_experiments/`；晋升门全过 | 1.5d | T-G7 |
+
+依赖链：T-G0 → T-G1 → T-G2 → T-G3 → T-G4 → T-G5 → T-G6 → T-G7 → T-G8。
+**总验收 = E-G1 报告**：一致率 ≥85%、conformal 覆盖 ≤α+2%、T1 档实测占比落在 40–55% 区间、
+引入 T2 档后管线云端调用次数下降可测。
+
+---
+
+## 13. 风险与对策
+
+| 风险 | 对策 |
+|---|---|
+| 冷启动无标签 | collect 模式先用规则门+现行为跑 2–4 周；夜间标签自动积累；min_labels 门前不 live |
+| 误判 T1 伤教育质量 | conformal α 保守 + 特征门硬拦 + 升级阶梯兜底 + 审计抽样；严重误判（判 T1 实为 T3）一票否决晋升 |
+| Embedder 单点 | 降级阶梯（D-G4）；校端双实例；客户端缓存常用 embedding 不做（隐私），仅服务端 |
+| 观察表膨胀 | 180d 清理 + int8 BLOB + 批量写；按月分表预留 |
+| 阈值漂移（上游/学期更替） | 夜间 conformal 重算 + policy_version 全链路可追溯 + last-good 回滚 |
+| pipeline.py 改动引入回归 | D-G5 钩子缺省逐字节一致 + test_pipeline_tier_fn 零回归断言 |
@@ -240,7 +240,49 @@ E1 验证；与客户端同运行时同打包，不破坏"干净环境 20 分钟
 本地层 token 占比成为吞吐瓶颈。推理引擎是可替换端点而非架构承诺；D1（只捆绑 llama.cpp
 上游二进制）约束客户端分发件，不限制服务端池子的上游类型。

-## 7. 与毕业设计主命题的关系
+## 7. 方向评估：AI 网关 + 学习型路由（5000–20000 人情景，2026-09-05）
+
+**结论**：2 万规模下难度路由从"省钱优化"升级为"容量必需"——纯云配额/峰值撑不住，
+客户端舰队（学生本机 llama.cpp）即分布式本地推理层，容量随用户线性增长；
+路由是把流量分配给该容量池的调度器。日请求 7–15 万、突发 50–150 req/s，
+网关单进程（D-P9）经预算重测仍可承载。
+
+**共享 Embedding 底座 = 网关语义服务化**：`/v1/embeddings`（llama-server 挂 BGE-m3 /
+Qwen3-Embedding-0.6B，0.6B 短文本 ~15ms，CPU 即可）+ `/v1/route`（难度/域/建议路径）。
+客户端路由决策同调此 API → 全校一套 Embedding/分类器/策略，改进一次全校生效。
+同一底座喂养：语义缓存 L2 升级（T-P6 预留 M3 选项）、RAG 分块、滥用检测、审计抽样。
+
+**难度分级的路线修正（关键）**：不预测文本固有难度（弱信号，《The Routing Plateau》），
+**预测升级概率**——标签由网关结果观测自动产生（本地答→验证过→"本地可答"），
+v2 验证器 + 审计队列即标签工厂；阈值用 Conformal Cascade（调研文献 2607.25018）校准，
+控制 P(需升级|路由本地) ≤ α（教育场景保守优先）。分类器两步走：线性探针（numpy，微秒级）
+起步 → 线性不够再上 LoRA heads（注意：per-request LoRA 需 vLLM——即上一节 vLLM 条件启用的
+触发项之一，专职分类服务实例）；E-G2 实验裁决（AUC 对比）。
+
+**语义分析器与执行逻辑映射（2026-09-05 澄清定稿）**：共享 Embedding 底座 + 轻量分类器（LoRA 可选）
+= **语义分析器**（独立组件），职责 = 输出任务难度档位 → 档位选择**执行逻辑**（而非只选模型）：
+简单 → 本地小模型直答；复杂 → 完整四阶段管线（云大模型理解 = Architect.brief → 本地大模型构建+检测
+= WorkerLoop → 云大模型解决检测出的问题 = issues/decide 升级回路 → 云端大模型检查代码 = final_review）
+——即已实现的 v2 CollaborativePipeline，语义分析器是其**入口分流器**（升级现有快路径启发式判定；
+本地进程内直调，客户端/代理经网关 `/v1/route`，三方共用）。建议三档：简单/中等/复杂——
+中等 = 单次云端（或本地大模型）直答，跳过四阶段管线的 3 次云端往返（帕累托中段是流量大头，
+该档分流效率决定整体经济性）；置信度不足默认中等。难度标签 = 管线充分性观测
+（"简单 = 本地直答验证通过且无升级"），与上文升级概率预测同一定义；误分级非对称已由
+升级回路兜底（简单→失败→升级；复杂→多付一次 brief，方向安全）。
+**执行版**：《实施方案_语义分析器与三级分级.md》（T-G0–G8，三级规格/DDL/接口/晋升门，约 11 工作日）。
+
+**2 万规模网关补强**：hnswlib 按课程桶分区 ANN（sqlite 全表扫到顶）；账本 100ms 批量刷盘；
+降级阶梯写死（Embedding 挂→退 n-gram+规则；分类器挂→保守全云）；T-P8 预算按 2 万口径重测。
+
+**分阶段（每步独立有用）**：0 代理+缓存（T-P0..P8）→ 1 `/v1/embeddings` 只采集不决策
+→ 2 线性 head shadow mode（预测不动流量，比对一致率）→ 3 正式路由+conformal 校准+升级回路
+（复用 v2 验证器/审计队列；用户可见"端侧/云端"来源 + 一键升级重答）→ 4 可选 LoRA（vLLM）。
+
+**与主命题的关系（叙事闭环）**：v1 规则路由（74.4% 失败教训）→ v2 端云协作（核心系统）→ 平台级学习型路由回归
+（真实流量 + 结果标签 + 共形校准 + 生产验证器）。
+**守门线**：① 结果驱动标签，不用文本难度；② shadow 先行 + 降级阶梯；③ conformal 保守阈值保教育质量。
+
+## 8. 与毕业设计主命题的关系

 不改变已定命题《基于端云协同的编程智能体系统设计与实现》。本方向作为扩展章/答辩亮点：
 **代理层 = 端侧基础设施的规模化形态**（从单机端侧到校园级端侧），核心贡献是