# NM2 模型 + Agent 生产级测试报告

> 测试对象：`H:\Memory\V2_dpskw\qwen3_5_4b_natural_memory_v2`（**NM2.0**）
> 测试方式：**真任务**，不是合成场景；每条结论都配一台机器上可复现的客观基准
> 测试期：2026-09-15（Agent 侧来自本次会话的多轮实测）
> 被测设施：`agent_lab/model_server/server.py`（控制面）+ `agent_lab/agent`（Pi Agent，11 个工具）

---

## 0. 一句话结论

**记忆这层已经站住了；挡在"每天都要用"前面的是模型侧的行为，不是记忆检索。**

七个测试族里 **六个可判定通过**（各带基准），**长时间稳定性因显卡被占用未测完**。
过程中修掉 1 个模型包真 bug（属性抽取把盘符冒号当分隔符）、1 个沿用已久的结构性缺陷（更正无法版本化 Agent 写入的记录），
以及若干 harness 缺陷；并**记录了我自己三次方法错误**，供复核。

---

## 1. 测试方法（以及两次差点误判的地方）

1. **先量基准，再判模型**。所有数字（文件数、磁盘可用、文件首行）都在跑之前用 PowerShell 独立量出，
   绝不用模型的输出去验证模型。
2. **跨会话必须换进程**。同一进程内的追问可能靠对话上下文答对，**不能证明是记忆在起作用**——
   凡是声称"记忆有效"的结论，都用**全新进程、上下文为空**复现过。
3. **测延迟前必须查显卡**。我的设施和用户的评测共用一块 RTX 5070。
   第十一轮长跑里，每轮生成从 12.7 秒"涨到"137.6 秒，而 prompt 词元只涨 1.7 倍——
   比例不对，去查显卡才发现是**用户自己的 `locomo_nm21_e2e` 评测占满 100%**。
   **那是争用，不是会话退化。** 差点当成性能衰减报出去。
4. **测量 setup 必须复现真实时序**。写入路径上"本轮的事实"在生成前**还没进库**，
   我一度把两条记录都写进库再测，量到的是另一个问题。

---

## 2. 逐族结论

| # | 测试族 | 判定 | 客观基准 | 实测结果 |
|---|---|---|---|---|
| 1 | 真实文件理解 | ✅ 通过 | `WRITE_PATH_FIX.md`（4023 字符） | 读完正确概括根因（`confirmed_update` 依赖学习打分 0.95、缺 `(entity,attribute)` 结构校验 → 误删） |
| 2 | 真实命令与数据统计 | ✅ 通过（修 harness 后） | `artifacts` 顶层 46 个；`V2_dpskw` 递归 `.py` 133 个；C 盘可用 34.47 GB | `list_files`→46 ✓、`list_files{recursive}`→133 ✓、`disk_space`→34.52 GB ✓ |
| 3 | 跨会话记忆支撑真活 | ✅ 通过 | 新进程、上下文为空 | 召回命中（`用记忆=要 · 命中 2 条 · 205 词元`）→ 调工具 → 答对目录 |
| 4 | 更正必须生效 | ✅ 通过（经三轮修复） | 旧值应退位 | `改了：…` → 旧记录 `superseded`、新进程答新路径；**回归场景无污染** |
| 5 | 不知道时拒答 | ✅ 通过 | 无 | 股票 →「我没有你购买的股票信息」；模型参数量 →「我不知道。没有证据表明…」 |
| 6 | 多步工具链 | ✅ 通过（修 harness 后） | 9 个 `client-*.txt`；首个 `client-api-check.txt` 首行 `PASS /api/send 返回成功` | 两步全对，17.7 秒 |
| 7 | 长时间日用稳定性 | ⚠️ **未测完** | —— | 24 轮只跑完 11 轮；**已完成轮次全部答对**，但耗时数据因显卡争用作废 |

---

## 3. 修掉的缺陷

### 3.1 模型包：属性抽取把盘符冒号当分隔符（真 bug）

`infer_memory_metadata` 的操作符列表含**裸冒号**：`(?:…|是|为|叫|：|:|=)`。
句子「我的评测报告**放在** `E:`\deepseek\artifacts」用的是「放在」而非「是」，正则于是抓到**盘符那个冒号**：

```
属性='评测报告放在 E'   取值='\deepseek\artifacts'
```

后果：同一件事被归档在**永远无法与 Agent 写的 `评测报告路径` 匹配**的键下，**旧值永远无法被取代**。

**修法**：冒号前是单个 ASCII 字母时不作分隔符（`(?<![A-Za-z])[:：]`）。CJK 后的冒号仍是正常分隔符。
修复后路径句返回 `episode`（**宁可不给属性，也不给错属性**）。

### 3.2 模型包：更正无法版本化「经接口写入」的记录（结构缺陷）

「措辞变了也要版本化」的补救路径**按 `slot_index` 匹配继承对象**；
而 Agent 经接口写入的记录 `slot_index = -1`（独立分页项，不占遗留槽位）。
**凡是 Agent 自己写进记忆的事实，自动层永远无法把它版本化。**
该段的注释本身写着它的来历（realistic 语料上 25/25 更新失败）——**同一个 bug 类被修过一次，但修法绑死在槽位上**。

**修法**：新增一条继承路径，但必须同时满足**两道门**：

| 门 | 理由 |
|---|---|
| `not candidate_conflict_key` | 解析器给出结构时**一律不猜**（原有代码就有这道门） |
| 有身份记录自己的**绝对分数** ≥ 5.0 | 实测两簇：真更新 8.591/8.6325/8.64，无关 ≤0.682/0.7421 |

**为什么不用 `score_margin`（我第一版的做法）**：`margin = top − second`，
而**自动层每一轮都会插一条近似重复的记录**，把 margin 从 8.591 砸到 0.1523——
**那道门正好卡在它本该放行的那一类上。**

### 3.3 我自己的三次方法错误（如实记录）

| # | 错误 | 后果 | 纠正 |
|---|---|---|---|
| 1 | 继承块漏了 `not candidate_conflict_key` 这道门 | 用读取器的"最近邻猜测"**覆盖了解析器给出的正确结构**，把 `默认语言=日语` 污染成 `蓝鲸-47` | 已回退并补门；用仪表复现确认机理 |
| 2 | 标定正类用了「我的A**改成** v2」 | `改成` **本身会被结构解析**，那批样本**永远走不到继承块**——**population 标错了** | 按正确 population 重测，两簇间隔 0.74 vs 8.63 |
| 3 | 测延迟时未查显卡 | 把**争用**当成"会话退化"（12.7s→137.6s） | 已作废该数据并记录纪律 |

### 3.4 harness 缺陷（Agent 侧）

| 缺陷 | 实测 | 修法 |
|---|---|---|
| 模型手写 PowerShell 必翻车 | `-eq 'C:'` 比字符 → **成功但零输出** → 同一命令重发 10+ 次 → 会话被污染 | 新增窄接口工具 `disk_space` / `list_files` / `peek_files`，**模型只填路径** |
| 工具输出只给裸文件名，逼模型自己拼路径 | 它拿到 9 个正确文件名后**编了个 `client-0001.txt`** | `list_files` 每项返回**完整路径** |
| 静默零输出无法与"还没查到"区分 | 模型陷入重试 | 零输出时明确解释"多半是过滤条件没匹配、不要再发同一条" |
| 编造：问数量却跳过工具直接给数字 | 磁盘答 **100 GB**（真值 34.62）；文件数答 **0**（真值 46） | 编造检测 + **强制重问**（问题问数量、零工具调用、回答含数字 → 追加一轮要求先调工具） |
| 一次坏回合污染整段会话 | 失败命令的污染带进下一轮（99 秒） | 熔断改同步 `abort()`；**会话卫生仍待查实**（替换 `agent.state.messages` 实测未生效） |
| 关掉记忆并不等于对照组 | `memory_mode=off` 只关自动路径，**显式工具调用照样能读写记忆** | 所有写入端点在该模式下 409 拒绝 |

---

## 4. 一个反直觉的结论

**修好"编造"的不是检测器，而是窄接口工具。**

加了 `disk_space`/`list_files` 之后，同一个跨会话场景（目录只存在于记忆里）它**自己调了工具并答对 46**
（此前答 `0`，一次工具没调）。合理解释：**以前要么手写命令（易错）要么干脆不查；有了省事的正路，它就走正路。**
检测/强制重问至今**没在实战中触发过**，属兜底。

**推论**：面对小模型，**先把正确路径铺平，比教它不要犯错更有效**。

---

## 5. 日用可用性判定

| 能力 | 判定 |
|---|---|
| 单步 + 窄接口工具 | ✅ 可用（5–6 秒，答对） |
| 多步链路（工具给完整路径） | ✅ 可用（17.7 秒，两步都对） |
| 跨会话记忆召回 | ✅ 可用 |
| 拿不到就说拿不到 | ✅ 可用 |
| 自然措辞的更正（「改了…」） | ✅ **可用**（经三轮修复后） |
| **长时间（数十轮）稳定** | ⚠️ **未验证**（需独占显卡） |
| 口语化、过短的更新（「我换到 X 了」） | ❌ 路由弃权，自动层不版本化（路由自身的门） |
| 自己拼路径 / 手写 PowerShell | ❌ 不可用（已用完整路径与窄接口工具规避） |

---

## 6. 按用户方针做的收敛

用户方针：「**我希望更多配置由模型决定，外部不要传入那么多参数（必要的保留）**」。
据此删掉了 Agent 面上一批**覆盖模型已学判断**的参数：`nm2_write` 的 `importance`/`confidence`
（检查点本就有学到的 importance 头）、`config_set` 的 `read_threshold`/`min_read_margin`/`auto_*_threshold`/
`max_hops`/`coverage_*`/`top_k_*` 等。**保留**机器硬约束（KV 预算、缓存、分块）。
HTTP 的 `/v1/nm2/config` 仍保留全部旋钮——那是研究脚本在用的，收敛的是 **Agent 能看到、能传的参数**。

---

## 7. 未完成与复现

### 未完成

1. **长时间稳定性**：24 轮只跑完 11 轮，因用户评测占满显卡而中止；**重跑前先查显卡**。
2. **更正修复的生产形态复跑**（上轮同样被显卡占用打断）。
3. **会话卫生**：`agent.state.messages` 替换实测未生效（下一轮仍复读旧对话），需换一条能真正清尾的路子。
4. **两代模型对照**：全程只用 NM2.0，NM2.1 未做同一套生产测试（代码共用，但权重不同）。

### 复现

```powershell
# 控制面（占卡；先确认显卡空闲！）
$env:PYTHONPATH='H:\Memory'
& C:\Users\Administrator\miniconda3\envs\LLM\python.exe H:\Memory\agent_lab\model_server\server.py `
    --model-path H:\Memory\V2_dpskw\qwen3_5_4b_natural_memory_v2 --port 8766 --no-auto-persist

# 控制面自检
& C:\Users\Administrator\miniconda3\envs\LLM\python.exe H:\Memory\agent_lab\model_server\selftest.py

# Agent 终端（真任务）
cd H:\Memory\agent_lab\agent
$env:NATURAL_MEMORY_API_KEY='local'
$env:NATURAL_MEMORY_BASE_URL='http://127.0.0.1:8766/v1'
bun run tui
# 脚本化多轮：bun run tui --session x --say '…' --say '…'

# CPU 测试（不占卡）：92 项
cd H:\Memory
& C:\Users\Administrator\miniconda3\envs\LLM\python.exe -m unittest discover -s V2_dpskw\tests -t . -p 'test_*.py'

# margin / 分数判别力测量
& C:\Users\Administrator\miniconda3\envs\LLM\python.exe H:\Memory\agent_lab\measure_inherit_margin.py --rounds 3
```

### 逐轮原始记录

`H:\Memory\agent_lab\RESULTS.md` §6.10（第一轮到第十一轮），含每次的基准、命令、原始输出与当时的判断。

---

## 8. 结论

- **记忆层可以用了**：跨会话召回、更正生效、拒答、遗忘，都在真任务上验证过，且带了防误伤的回归检查。
- **模型本身仍是瓶颈**：它不会自己拼路径、写不对 PowerShell、会给没出处的数字。
  这三条目前都是**用工具设计绕过去**的，不是修好了。
- **一个可推广的经验**：给小模型铺一条"正确且省事"的路（窄接口工具 + 可直接照抄的输出），
  比反复叮嘱它别犯错有效得多——编造就是这么消失的。