ce-babysit-pr review-gate evals 测试推理,但不测试查找

缺口 ce-babysit-pr 的准备决策现在取决于代理从实时 GitHub 状态中做出的判断: 审查是否仍在进行中。skills/ce-babysit-pr/references/settle.md 要求它在四个表面上进行一次查找 - PR 实体上的反应、顶级评论、当前头的检查运行和对其进行的审查 - 并从返回的结果中推理。五个评估单元涵盖了这种推理(tests/skill-eval-cell/catalog.ts，ID 以 ce-babysit-pr/ 开头)。它们中的每一个 向代理提供了查找将返回的准备描述，并禁止 gh。它们的设计是 read_only: true，这使它们既便宜又确定性。因此，这些单元验证了语义分类 - 宣布的审查已通过，终端检查表明等待已结束，超时的审查不被视为批准，与之无关的检查不是审查完成，早期头的沉默审查者仍在等待。它们没有验证任何获取操作：

• 头归属。 反应和顶级评论是 PR 级别的，不包含任何提交身份;检查运行和审查是提交级别的。没有任何文档说明 PR 级别的声明如何与当前头绑定。
• 身份关联。 API 之间的机器人登录不同 - REST 返回 Cursor[bot] 和 ChatGPT-codex-connector[bot]，GraphQL 返回 Cursor 和 ChatGPT-codex-connector。假设一个查找具有特定形状，则会默默地忽略审查者。
• 分页。 对于具有多个反应、评论或检查运行的 PR，没有明确的行为。
• 探测失败。 当查找的一部分失败时，没有明确的行为，这是最有可能产生错误准备的情况。

为什么很重要

这是在生产环境中最有可能失败的地方，而当前的测试对此没有说什么。对变更的两次独立的跨模型审查分别提出了这个问题，这就是为什么它被提交而不是辩论的原因。

方向，而不是处方

如果有一个单元允许针对真实的固定 PR 使用 gh，则它将执行获取操作，但它以现实性来换取确定性，并且需要一个稳定的主体。另一种选择是保持推理单元不变，并仅添加对关联规则的确定性覆盖 - [bot] 后缀的差异和头归属规则是机械的，属于 bun test 而不是评估单元。 在添加任何一个之前，值得决定哪个。 上下文：#1611。