真正的產出不是規則數量，而是抓到一整類既有評估看不見的缺陷
本地模型因實驗室 GPU 帳密沒有拿到，沒有照原計畫跑成；改用 3 格煙霧測試先確認呼叫路徑，再進正式全量。
但這些都不是這週最重要的結果。
規則資料看起來完全合理，系統仍然可以穩定地做錯。
全量報表曾經一直顯示 100% 覆蓋。
後來發現：有 19% 語料根本沒被送出去問，原因是編號撞號；但分母用的是「實際送出去的格數」，所以漏掉的資料同時不在分子也不在分母。
連帶更正先前數字：
查核缺失涵蓋率 100% → 96%
Metrics 本身也需要被驗收，不能因為數字漂亮就相信。
修正這批缺陷前後：
多輪引用命中率約 89–91% → 88–89%
幾乎沒有變。
但其中一個 bug 代表「版本與生效年度」這個核心賣點之前其實從未完整執行。
一個考 88 分的系統，仍然可能有核心功能根本沒真的跑。
因此新增的真正研究資產，是把這些 failure 轉成每次都要跑的 invariant checks：
必跑檢查 3 → 7 支；驗證項目 21 → 24 項。
其中三個缺陷曾經逐條人工複核，當時都判定「沒有問題」。
原因很直接：
驗證規則內容 ≠ 驗證規則真的被執行。
這一週開始把「execution semantics」本身當成需要獨立驗收的對象。
同一筆 80 萬元採購：
兩份中央大學要點甚至在 同一天修正。
所以不能：
而是要先判斷：
這個案件到底走哪一套制度？適用範圍互斥時，要先判 scope，再談規則比較。
這次老師建議：
專題開始從「把系統做對」往「讓真人把沒想到的問題撞出來」移動。