完成的证据层级

用途：为不同任务定义“到什么证据等级才算完成”

层级模型

等级	证据	能证明什么	不能证明什么
L0 声明	Agent 的自然语言总结	它打算做什么	什么都没证明
L1 存在	文件/函数/类存在于工作区	代码写了	能不能编译
L2 可编译	编译器/类型检查通过	语法与类型成立	行为是否正确
L3 测试通过	目标测试用例真实运行且断言有效	已覆盖的行为正确	未覆盖部分、断言是否有意义
L4 断言有效	变异测试/反向验证：改坏实现会让测试失败	测试真的在守护行为	需求本身是否被满足
L5 权威环境	CI/CD 在干净环境中复现（非本地缓存）	结果可复现、不依赖本地状态	业务验收
L6 人工验收	需求方确认行为符合预期	需求被满足	—

规则：不得用低等级证据冒充高等级结论。 例如“文件已创建”被表述为“功能完成”（L1 → L6 跳跃），或“本地测试通过”被表述为“已验证”（L3 冒充 L5）。

按任务类型定门槛

任务类型	最低证据等级	理由
文档/注释修改	L1 + 链接与术语检查	无行为风险
纯重构（不改行为）	L3 + 既有测试全绿 + 覆盖率不降	风险在行为漂移
新功能	L4（新增测试须能失败）	新写的测试可能形同虚设
缺陷修复	L4 + 复现用例（先失败后通过）	无法复现的修复不可信
性能优化	L3 + 基准数据（前后对比、多次采样）	“看起来快了”不算
数据迁移/脚本	L5 + 抽样校验 + 回滚演练	不可逆操作要求最严
安全相关	L5 + 专项评审	需要人的判断

反向验证（最被低估的一招）

对新增或修改的测试，做一次“破坏性检查”：把实现改坏（或注释掉关键分支），确认测试确实失败。做不到这一步，就无法区分“测试通过”与“测试没在测东西”。

自动化形态：变异测试工具（PIT 类、mutmut 类）统计变异杀伤率，作为 L4 的量化指标。

证据必须可核对

每条证据要能被第三方独立验证：

• 命令 + 完整输出（不是摘要），带时间戳与工作目录。
• Git 提交哈希、分支、diff 摘要（文件与行数）。
• 测试报告文件路径与用例数、失败数、跳过数。
• CI 运行 ID 与链接（权威环境）。
• 基准数据（多次采样的分布，不是单次）。

常见误区

误区	修正
把“编译通过”当“功能正确”	明确 L2 与 L3/L4 的差别
只看测试数量不看断言数量	无断言的测试是空壳
本地绿了就算	干净环境复现（L5）才算可复现
用截图当证据	截图不可核对，改用命令输出与报告文件
证据由 Agent 自述	由工具/门禁采集，Agent 只能引用

延伸阅读

• 变异测试（Mutation Testing）公开文献与 PIT 等工具文档
• 本站：四值判定模型、测试即门禁