把一次失败，变成回归案例。

1. 先预测，再查看执行过程

从“可恢复的工具超时”开始。直接策略只尝试一次；校验策略最多尝试三次，只重试超时，并核对返回的指标、时间窗口与有效数值，遇到写操作则转交人工。先预测两者的结果，再查看记录。

运行样例后，对比第一次超时和第二次成功返回。校验策略的回答引用成功步骤，失败步骤仍被保留，也会计入调用预算。

2. 逐类理解失败

• 证据充分：两种策略都可以基于匹配的证据回答。
• 短暂与持续超时：区分有效重试和无限重试。
• 空结果与缺失数值：没有观测，不等于测得零。
• 指标或窗口错误：一个合理的数值，也可能回答了错误的问题。
• 写操作提议：重启需要独立的批准流程；这里的样例不会重启任何服务。

3. 接入自己的顺序运行记录

下载示例记录与格式说明。保留 schemaVersion: 1，给每次运行填写 caseId 和 policy，将顺序工具调用放入 steps。应用实际采集的记录使用 mode: "recorded"；时间填写相对运行起点的毫秒数，不填 Unix 时间戳。

request 声明目标工具、操作类型、指标和时间窗口。成功的工具步骤记录实际参数与返回结果；output 记录行动、可选数值和引用的步骤 ID；contract 定义预期行动、最大调用次数和可选的标准数值。

这是 Lab 自有格式，不直接导入 OTLP。需要为已有追踪系统编写字段适配；样例时钟不能标成真实模型观测。

4. 在相同条件下比较版本

两个版本使用相同的案例 ID、请求、契约与时间模式，再在工作台选择前后版本。“退化”表示原先通过的案例现在失败，“改善”则相反。缺失或条件不一致的案例会标为不可配对，不纳入改善与退化计数。

总通过数之外，每个退化都值得单独检查。若标准答案或请求变了，应视为新的测试条件。契约由你提供，也需要独立复核。

5. 在本地检查

下载并解压本地运行包，安装 Node.js 18 或更新版本后执行：

node cli.mjs --policy guarded --out guarded.json
node cli.mjs --input your-runs.json --out checked.json

退出码 0 表示所有案例通过，1 表示有案例失败，2 表示输入或运行错误。--policy both 会包含故意较弱的直接策略，因此退出码 1 属于预期。运行包不会调用网络、模型或真实工具服务。