测试区自动迭代一轮

说明：本文记录的是最初的一轮自动迭代方案。最新设计已经进一步拆分为：

docs/architecture/structured-compare-and-evaluation-rewrite.md

docs/architecture/spo-thin-loop-ui-and-stop-rules.md

因此，本文更适合作为“问题背景与早期方案说明”阅读，而不是当前唯一的实施规范。

1. 背景

我们已经在 basic-system 中拥有较完整的多槽位测试能力：

测试区支持 2 / 3 / 4 列
每列可独立选择 version + model
可统一执行 runAllVariants
对比评估链路支持基于多 snapshot 的证据分析
system 模式天然具备独立的测试输入区，适合作为“固定执行场景”来验证系统提示词

因此，本期不再设计一个新的 SPO 实验台，而是把“朝目标自动迭代”的能力嵌入现有测试区。

这也更符合 prompt-optimizer 的定位：

优化必须建立在真实执行结果之上
测试、评估、改写应形成闭环
用户应继续围绕当前工作区进行操作，而不是切换到另一个体系

2. 目标

在测试区中新增一个“自动迭代”配置入口。用户只需选择：

目标模型
参考模型

系统就自动完成：

构造 4 槽位测试预设
执行一次上一版本对照测试
提取目标锚点与差异证据
改写当前 workspace 提示词
再执行一次测试
向用户展示本轮结果与风险提示

3. 设计原则

复用优先：尽量复用现有测试区、多槽位、对比评估与工作区写回能力
单轮优先：V1 只做一轮，先验证闭环是否可靠
目标明确：始终围绕 目标模型 / workspace 做优化
参考充分：同时利用参考模型与上一版本，避免单点偏置
护栏先行：禁止只追求当前样例更优而破坏提示词通用性
输入隔离：测试输入只用于验证系统提示词行为，不应沉淀为系统规则

4. 范围与非目标

4.1 本期范围

basic-system
测试区顶部新增自动迭代入口
自动生成 4 槽位预设
一次自动迭代闭环
将改写结果写回 workspace 草稿
不自动保存为新历史版本
优化对象限定为系统提示词

4.2 非目标

多轮无人值守自动优化
新建 SPO 独立页面
用户手工编排任意复杂实验图
脱离真实执行结果、仅靠目标描述进行优化

5. 为什么系统“知道目标是什么”

本设计不引入额外的“目标说明”表单，而是将目标识别收敛为一个结构化锚点提取过程。

目标由以下信息联合确定：

目标槽位
- 用户显式选择 目标模型
- 系统将 目标模型 / workspace 视为唯一待优化对象
当前提示词中的显式约束
- 系统角色设定
- 任务边界
- 输出格式
- 禁止事项
- 质量要求
上一版本参考
- 目标模型 / 上一版本
- 参考模型 / 上一版本
- 用来识别已有能力与不可退化项
参考模型差异
- 参考模型 / workspace 相对 目标模型 / workspace 的优势表现
- 用来识别当前提示词在目标模型上的表达盲点

因此，“目标”不是一个额外配置文本，而是：

目标模型 + 当前系统提示词 + 上一版本参考 + 跨模型差异证据

这比抽象目标更贴近真实使用场景，也更适合结合我们现有测试功能。

6. UX 交互

6.1 入口位置

在测试区顶部操作栏中，新增一个与“运行全部”并列的按钮：

自动迭代

该按钮位于当前测试区上下文中，避免用户切换心智模型。

6.2 配置弹窗

点击后弹出配置弹窗，V1 保持最小可用，仅包含：

目标模型
参考模型

弹窗辅助说明：

本轮会自动生成 4 槽位预设
本轮只改写 workspace
改写后会自动复测
不会自动保存版本

弹窗主按钮建议文案：

生成预设并执行一轮

6.3 结果反馈

一轮结束后，用户在原测试区看到新的 4 槽位结果。

同时提供一个轻量的“本轮总结”区域，至少包含：

学到了什么
改了什么
为什么这样改
潜在风险
是否建议保存为新版本

V1 不要求新建复杂历史面板；保持轻量即可。

7. 四槽位预设规则

自动迭代使用固定的 4 槽位语义：

槽位	模型	版本	角色
A	目标模型	`workspace`	主优化对象
B	目标模型	`previous version`	目标模型上一版本参考
C	参考模型	`workspace`	参考对照
D	参考模型	`previous version`	参考模型上一版本参考

7.1 上一版本定义

“上一版本（previous version）”指当前工作区在本轮自动改写之前的最近一次稳定版本：

如果工作区基于当前历史链最新版本继续编辑，则 previous = 当前链最新版本
如果当前没有历史链，则回退为 v0

这里刻意不用 v-last，因为它很容易让人误解成“最新版本”；也不用“基线版本”，因为“基线”更像不变参照。本设计真正想表达的是“当前轮次之前的那个版本”。

如果后续要加入一个不随自动迭代轮次变化的固定对照，再单独引入“固定基线”概念。

7.2 为什么是这 4 个槽位

这 4 个槽位同时提供三条证据线：

A vs B
- 当前工作区在目标模型上，相比上一版本是否真的更好
A vs C
- 同一提示词在目标模型与参考模型上的差异，目标模型还缺什么
C vs D
- 参考模型在当前工作区上是否也体现出增益，帮助判断改进是否具有结构性

8. 一轮自动迭代编排

8.1 主流程

flowchart TD
  A["用户点击 自动迭代"] --> B["选择目标模型 / 参考模型"]
  B --> C["生成 4 槽位预设"]
  C --> D["执行首轮 4 槽位测试"]
  D --> E["提取目标锚点与差异证据"]
  E --> F["生成新的 workspace 提示词草稿"]
  F --> G["写回 workspace（不保存版本）"]
  G --> H["执行第二轮 4 槽位测试"]
  H --> I["展示本轮总结与风险提示"]

8.2 详细步骤

校验前置条件
- 当前有可执行的测试输入
- 已配置目标模型与参考模型
- 工作区提示词非空
- 当前模式为 basic-system
应用 4 槽位预设
- 设置列数为 4
- 覆盖对应槽位的 version + model
执行首轮测试
- 复用 runAllVariants
- 产出 4 份执行快照
构造自动迭代上下文包
- 见第 9 节
调用自动改写链路
- 生成新的 workspace 提示词草稿
写回工作区
- 更新当前 workspace
- 不生成新版本记录
执行第二轮测试
- 再次运行 4 个槽位
展示结果
- 输出本轮学习点、改动摘要、回归风险、是否建议采纳

9. 自动迭代的模型上下文构造

这是本功能设计的核心。

我们不直接把“4 个输出文本”粗暴拼接给模型，而是构造一个面向自动改写的上下文包。

9.1 输入结构

建议组织为以下几组信息：

任务元信息
- mode: basic-system
- round: 1
- targetModelKey
- referenceModelKey
- targetVariantId: A
提示词上下文
- currentWorkspaceSystemPrompt
- previousVersionSystemPrompt
- originalPrompt (v0，可选)
测试用例上下文
- 当前测试输入
- 用例标签
- 设置摘要
- 标注其角色为“执行场景”，而不是“可上升为系统规则的规范来源”
执行快照
- A/B/C/D 各自的：
  - version
  - model
  - prompt
  - output
  - reasoning
差异分析输入
- A 相比 B 的提升与退化
- A 相比 C 的缺口
- C 相比 D 的参考侧新增能力
约束与护栏
- 只改写 workspace
- 保留现有硬约束
- 不接受样例特化规则
- 证据不足时允许返回 no-op

9.2 目标锚点提取

在真正改写前，系统应先基于上述上下文提取一组“目标锚点”：

硬锚点
- 直接来自提示词文本中的强约束
稳定锚点
- 在上一版本中已经存在且不应退化的能力
机会锚点
- 参考模型在同一提示词下能做到，但目标模型当前没有稳定做到的点
负锚点
- 来自当前测试输入、可能诱导过拟合的具体词面规则

只有在锚点提取完成后，才进入提示词改写步骤。

9.3 输出要求

自动改写链路至少要返回：

nextWorkspacePrompt
learnedAnchors
appliedChanges
rejectedOverfitIdeas
riskNotes

这样后续 UI 才能向用户解释“为什么改”，而不是只给出一个新提示词。

10. 防过拟合与回归保护

10.1 成功判定

不能只看“当前测试样例是否更好”，至少要同时满足：

目标模型 / workspace 相比 目标模型 / 上一版本 有明确改进，或至少无关键能力退化
参考模型 / workspace 不应相对 参考模型 / 上一版本 明显退化
改动理由能抽象为结构性规则，而不是当前输入样例的字面补丁

对 basic-system 来说，这里的“结构性规则”通常表现为：

角色边界更清晰
优先级更明确
失败处理更稳定
输出约束更一致
冲突指令的裁决顺序更清楚

10.2 拒绝改写的情况

以下情况应允许系统返回“本轮不建议改写”：

四槽位证据差异不显著
目标与参考差异主要来自采样波动而不是结构问题
改进建议高度依赖当前测试输入中的具体值
改写会破坏提示词中已有的强约束

11. 与现有能力的衔接

11.1 复用现有多槽位测试区

无需重做测试区主体结构，直接使用：

testColumnCount
testVariants
runAllVariants
per-slot version + model 选择

11.2 复用 compare-evaluation 证据结构

现有 compareEvaluation.ts 已经采用：

testCases
snapshots
compareHints

组织执行证据。

本功能可以直接复用这一思路，避免重新发明多快照比较协议。

11.3 复用现有工作区改写能力

自动迭代的最终落点仍然是更新 workspace 草稿。

也就是说：

它不是新增一套独立提示词存储
它不是单独的实验输出
它最终仍然服务于当前工作区编辑与后续人工保存

12. 建议的实现触点

packages/ui/src/components/basic-mode/BasicSystemWorkspace.vue
- 自动迭代按钮
- 配置弹窗
- 本轮总结 UI
packages/ui/src/stores/session/useBasicSystemSession.ts
- 自动迭代配置持久化
- 可能的最近一次执行摘要
packages/ui/src/composables/prompt/compareEvaluation.ts
- 复用 snapshot 组织模式
新增编排文件（建议）
- packages/ui/src/composables/prompt/autoIterateOneRound.ts
- packages/ui/src/composables/prompt/autoIteratePreset.ts

13. V1 验收标准

测试区可直接打开自动迭代配置弹窗
用户只配置 目标模型 与 参考模型
系统自动生成 4 槽位预设并执行
自动迭代只修改系统提示词的 workspace
改写后自动复测
UI 能展示本轮学习点、改动点、风险点
系统允许在证据不足时选择“不改”
系统不会把测试输入里的具体值直接固化进系统提示词

14. 后续演进

V1 跑通后，可逐步扩展：

支持 3 槽位简化模式
支持多轮自动迭代
引入更强的“目标锚点提取”显式展示
支持把一轮总结沉淀为版本注释或评审记录

Source: docs/architecture/test-area-auto-iterate-one-round.md