AgentMeasure 一周进展：规范开始长出证据
v0.2.0 → v0.2.2：实验引擎、真实 Agent 上的 A/B、首个外部 fixture、首个公开证据案例，以及一次 0% 的诚实报告。
这是 AgentMeasure 的第一篇进展周报。项目主页：github.com/roy-tong/AgentMeasure，官网：roy-tong.github.io/AgentMeasure。以下所有数字都来自可复现的运行输出，不含手抄转写。
一周做了什么
过去一周，项目从「规范文档」推进到「证据飞轮」。四个版本节点，一条主线：每一条声明都要能被复算。
v0.2.0（8/22）——白皮书 v0.3（中英双语）+ AgentMeasure Lab v0.4 开源实验引擎：预注册（preregistration）锁、均衡分组、预算熔断、诚实统计（Wilson 区间、双比例检验、诚实零结果），以及面向决策者的双语一页纸报告。78 个测试。
v0.2.1（8/22）——在真实 Agent 上跑通了第一个预注册对照实验（codex CLI + 真实 MCP 工具服务器）：4 任务 × 2 变体，全漏斗采集，真实 token 计量（每个操作 188K–215K tokens）。结果是一个诚实的零结论：观测到 +25pp 但 p=0.29，下一轮需要约 31/臂。引擎没有美化它，这正是引擎存在的意义。
v0.2.2（8/24）——一致性加固。第一轮外部一致性测试（来自 langfuse 讨论 #16383）暴露了两个真 bug：校验器在 oneOf 匹配后跳过根级必填字段（#8）；聚合器信任声明的操作摘要而不核对底层的尝试行（#9）。两者都已修复，并且——按当时的承诺——第一个外部贡献的 fixture（Urusilla-001）被接受进一致性套件。CI 现在每次都跑外部 fixture 门禁 + Lab 全套测试。
8/25——第一个公开证据案例发布（conformance/evidence/langfuse-demo-traces/）：把 Langfuse 公开的 demo 种子数据（三条真实框架遥测 trace，commit 锁定、源不分发）通过一次性适配器跑过规范管线。结论是一个 0%：
- 12 次 attempts，操作分组证据 100% 缺失；
- 安全操作覆盖率 0%（fail-closed 与 structural-experimental 两种模式下都是）；
- token 用量在导出中整体缺席（0/26）。
这不是「我们的标准很高所以别人不合格」的炫耀，而是把 claim boundary 钉死：这些数字只描述这三条 trace。可复现脚本（fetch_source.py + run_case.py，纯标准库）随案例发布，任何人可以复算。
规范的修订：从阶梯到两状态
同一周，两位独立的外部评审人（经私信交流，匿名待授权）在阅读规范后独立收敛到了同一个批评：我原来设计的四级消费阶梯里，referenced（被引用）不是一个语义状态，而只是一个对 influence 的弱估计器，它有两种具名失败模式——引用了但没用（cite-without-use）和用了但没引用（use-without-cite）。
规范因此修订为 DR-005「两状态 + 分级证据」：
- availability（上下文事实）：能力是否进入了 Agent 的上下文；
- influence（行为事实）：能力是否改变了 Agent 的行为——由实验层回答。
另一位评审人补上了 provider 侧的推理边界：客户端遥测能证明的是 serialized-as-sent（已序列化发出），离 reached-inference（到达推理）还差一步。这个边界现在写进了定义。
同时发布的还有 DR-006 落地的 M3 执行粒度向量：一条运行时重试链（429 → timeout → success，同一个 operation_id）在规范里归为 1 次操作，M3.3 尝试成功率 0.333，attempts_per_operation = 3 强制披露——而不是把三次技术调用计成三次「使用」。
两名专家独立趋同，是对规范方向的行为验证；把它写进规范，比任何宣传文案都硬。
产品与增长的现实
同期发布的 PRD v0.5 记录了双假设并行受试：A（一致性工具箱，已有真实外部拉力）对 B（用量完整性审计，离钱近但未验证），9/3 做 gate review。
一个已经被证伪的渠道：冷邮件。616 封送达 → 1 封有意义的回复 → 0 次集成。这条渠道已关闭。
一个被验证的回路：上游结构化参与。从 langfuse 的一个 issue 出发 → 第一轮外部一致性测试 → 抓出 #8/#9 两个真 bug → 修复并发布 v0.2.2 → 第一位外部贡献者提交 fixture。这条「参与 → 证据 → 修复 → 贡献」的回路，是本周所有进展里最值钱的一条。
官网（roy-tong.github.io/AgentMeasure）的 Trial 入口也改成了双路径：邮件直达优先，GitHub issue 降为次选——审计的目标人群是 CEO/CFO，不该逼他们开 GitHub 账号。
下一步
- 9/3：双假设 gate review（四分支裁决标准已预注册）；
- Lab M2 开源发布与一致性向量补齐（Execution / Reporting 层）；
- 复制「上游结构化参与」回路到下一批 observability / gateway / runtime 项目；
- Show HN 的四个 gate 已过三，只差一段 2 分钟 demo。
一句话总结这一周：标准不再只是一份文档，它开始产出自己的证据。