Prototype

Harness готовит 12 immutable single-call Comfy workflows и оценивает сохранённые raw ответы локальным TypeScript-кодом. Unit tests и repository checks никогда не вызывают paid provider.

Default CLI prepare/evaluate читает исторические preflight-v1/run-1 paths. Run-2 также исторический: его candidate conclusion superseded после measurement audit.

Current run-3 использует exported prepareEvaluation(outputRoot) и evaluateSavedResponses(rawRoot, outputPath) с preflight-v3, raw/run-3 и run-3-scorecard.json. Все 12 cells выполнены новыми paid jobs в одном batch; prior outputs не переиспользуются.

Итоговый pass требует не только deterministic role gates, но и manual-review.json для четырёх narration cells и последовательный billing-audit.json для всех 12 jobs. При отсутствии любого из этих artifacts scorecard остаётся inconclusive; оба artifacts в run-3 отсутствуют.

Run-3 manifest schema включает protocolRevision: 3. Logical manifest a758d221a63eb2f2600af570d8431764597bd8c3ae75d4960d94d8963e0ebfb8; bundle identity — полный SHA-256 preflight-v3/manifest.json 9780519911a6c7fc2ed3d6efacf292899a321d8156c0c36ec71ff3c553c2d8f3.

Post-run evaluator audit сохранил initial scorecard SHA/diagnostic summary и все raw hashes. После changes review полный initial scorecard восстановлен byte-exact как run-3-scorecard-pre-amendment.json; hash совпадает с зафиксированным до regeneration. Это reconstruction, не original write-once snapshot. Raw files остались byte-identical; provider rerun не было. Canonical scorecard после RED/GREEN amendment: Qwen 4/6, DeepSeek 4/6. Agent semantic audit отдельно даёт Qwen 4/6, DeepSeek 3/6 и не является human review.

Scenario gate structural only; executable exits/coherence не измеряются. Privacy gate exact-token only; paraphrased leakage не измеряется.

Точные команды находятся в ../SOLUTION.md, а фактические результаты — в ../VALIDATION.md.