独立实验评估基础设施（experimental evaluation infrastructure），用于在 Habitat-MAS / EMOS 等外部系统与 RoboGuide 之间进行可复现、可追溯的对比实验。 当前是第一版骨架：实验编排 + 进程边界 + 可复现结果基础设施，并以 E1（Habitat-MAS Mobility，EMOS vs RoboGuide）作为第一条 workload。
E1 的收尾条件、配置记录、已实现启动门禁与待核验项见 E1 收尾计划与配置核验。各类别冻结真实 config/dataset 与代码身份；普通任务失败纳入结果，配置或证据漂移才暂停批量。
e1-pair 为 e1-batch 提供通用的原生 EMOS／生产 B1 配对入口。
准确 episode 在原生环境构造前选定；模型响应、真实 reset、源码和归档完整性独立核对。
入口不注入历史计划、不修改原生策略或 benchmark，也不按结果筛选 population。
Formal B1 的 provenance、failure owner 和 population 规则见
Evaluation Evidence Validity。Formal population
只由有效 provenance 与显式 external-infrastructure failure 决定；benchmark population
另外要求官方 Habitat pddl_success 可用。verify-b1.py 与 Harness 共用 canonical
admission，Harness 消费并核对已持久化 verdict。自定义 B1 启动 wrapper 须显式配置
ROBOGUIDE_EVAL_PROTOCOL=B1，使缺少 artifacts 时仍执行 B1 gate。
场景脚本在 EXIT trap 中、停止本次子进程之前调用 b1_artifacts。事件采集复用
GET /v1/events?after=<sequence>&limit=100，按实际末尾 sequence 前进；合法序号间隔
不会补造事件。短页也继续读取，在相同游标得到两次空页后才结束；期间若出现新事件，
继续分页并重新确认尾部。采集前后必须读到身份一致、状态不变的终态 Mission
（Completed / Failed / Cancelled）。
Controller HTTP 读取复用应用的 event write gate，等待当前 SQLite batch 提交或回滚后 读取已持久化页；等待在 blocking worker 中进行，不持有 gate 执行 HTTP 写出。 日志或 gate 不可用时返回带 JSON 错误的 HTTP 503，不返回伪造空页或未提交事件。 采集器对 503 仍按归档失败保存原始响应并 fail closed；此机制不提供跨页 snapshot token。
现有 API 没有 snapshot token 或全局高水位。这里确认的是 终态 Mission 的已持久化
事件前缀（terminal_durable_prefix），不保证未来无心跳或迟到事件，也不宣称全局一致
快照。Running、终态无法确认、持续写入导致预算耗尽，都显式归档为 incomplete。
MI 提交前的已记录失败及 Controller 启动失败按既有协议处理，无需伪造空事件快照。
默认最多 256 个事件页、单次响应 8 MiB、累计响应 64 MiB、采集预算 30 秒，单次
socket 等待至多 2 秒；大小探测最多额外保留一个字节。每次尝试在
controller-event-pages/attempt-*/ 保留原始响应字节、HTTP 元数据和结果。
只有完整采集才原子发布 events.json；失败不覆盖已有事件文件。
controller-event-archive.json（v0.1）记录完整性、边界、游标与 events digest。
缺失、损坏、未完成的本轮状态或不匹配的 digest 使 evidence gate 失败；保留既有文件
不能掩盖失败重采集。无此 sidecar 和采集目录的历史归档仍走原有 verifier。
归档异常记为 context.event_archive_error，CLI 返回 2，不改写 run-failure.json
中的 SUT failure owner。Formal admission、semantic goal diagnostic 与官方 benchmark
判定规则保持不变；完整分页仍不能使缺少真实任务注册事件的归档通过 provenance。
启用物理诊断的新 B1 运行会在 evidence/diagnostics-terminal.json v0.4 中只读记录
本次实际 PDDL robot_at_thresh。自动归档额外写出
evidence/goal-geometry-diagnostic.json：对冻结 goal 中可表达的 any_at 谓词，
使用终态目标位置与所有 agent 的 PDDL 参考位置，计算完整三维距离和忽略世界 Y
坐标后的 X/Z 距离。两个谓词都在同一个终态成立才得到联合反事实 true；并不要求
两个不同机器人。计算支持任意已记录的 agent 数量。
结果以 Habitat 原始 pddl_success 为官方值；三维重建必须与它一致，否则对照
标记 unavailable。源摘要、终态 episode/scene/step、机器人集合、阈值、目标或 provenance 缺失/不匹配
也标记 unavailable。X/Z 结果仅为诊断性的假设重算，不是另一套官方评分，不能进入
Formal/benchmark population 或替代 Mission satisfaction。旧版 v0.3 终态诊断没有直接
记录阈值，因此不会被自动伪装成 v0.4 对照。需要离线重算时可运行
uv run python -m roboguide_eval.b1_goal_geometry <run-dir> --output <new-output-path>，
输出应放在新目录以保留原始归档。
- Eval Harness 不属于 RoboGuide Core、Runtime、Control Plane、State & Memory Plane 或任何 Local EAIOS；它不修改 Proposal / Commit / Binding / Runtime 语义。
- Harness 不 import、不复制、不重实现 EMOS / Habitat-MAS / RoboGuide 的内部 逻辑；外部系统只通过进程边界（subprocess）访问。
- 不把 Habitat/EMOS 依赖加入 RoboGuide Python 环境；Harness 与 EMOS 各自 保留独立环境。
RoboGuideRunner只接纳真实 Controller / Node Protocol / Runtime / Local EAIOS production-path evidence，不允许绕过 RoboGuide 直接调用 Habitat skill。- Harness 不定义 Habitat-MAS 如何判定 task success；各系统 runner 只把各自 原始输出转换为 canonical metrics，并保留 raw evidence。
- 真实 results、本机
local.yaml、数据集与模型文件不提交 Git。
evaluation/
├── specs/e1/mobility-smoke.yaml # E1 smoke 实验定义（可移植、无机器信息）
├── e1/controlled-workload-v0.1.yaml # Formal E1 candidate + fail-closed admission
├── e1/PREFLIGHT-CLOSURE.md # preflight checks + exact remaining blocker
├── local.yaml.example # 本机配置模板（复制为 local.yaml，不入库）
├── src/roboguide_eval/
│ ├── models.py # ExperimentSpec 领域模型与 canonical 序列化
│ ├── config.py # spec 加载/校验、digest、本机配置、ProcessSpec 解析
│ ├── metrics.py # canonical metric 注册表与 MetricsPayload 合同
│ ├── process.py # 进程管理器（argv、env、timeout、terminate/kill）
│ ├── runner.py # SystemRunner 生命周期与实验编排
│ ├── results.py # RunManifest、run 目录、trace、汇总
│ ├── cli.py # doctor / run / summarize
│ └── systems/ # emos.py / roboguide.py 命名 runner
└── tests/ # 离线、确定性测试（fixture 子进程）
- ExperimentSpec（
specs/**/*.yaml，roboguide-eval.experiment-spec/v0.1）： 描述实验本身 —— experiment id、benchmark、task、episode 选择、systems under test、LLM provider/model/reasoning、seeds、metrics、timeout、数据集身份与 机器人上下文元数据。canonical JSON 序列化产出稳定 digest，写入每次 run 的 manifest。 - EnvironmentSpec / ProcessSpec：spec 只携带可移植期望（期望产物、超时、
metrics 来源路径）；工作目录、可执行文件、参数、Conda 环境、凭据全部来自
evaluation/local.yaml或ROBOGUIDE_EVAL_*环境变量，解析时合并 （spec < local config < 环境变量）为最终 ProcessSpec。配置了 Conda 环境时， argv 自动包装为conda run --no-capture-output -n <env> ...，不需要交互式conda activate。 - SystemRunner：统一生命周期
prepare -> run_episode -> collect_result -> cleanup。EmosRunner启动官方 EMOS entry point；RoboGuideRunner启动POST /v1/missions -> Control -> Node -> Local EAIOSproduction scenario 并归约 其持久证据。两者均只跨进程观察，不 import 对方运行时。 - RunManifest（
roboguide-eval.run-manifest/v0.1）：每个 run 的唯一完整 身份 —— experiment/system/benchmark/task/episode/seed、LLM 配置 （含预留的reported_model，用于记录 API 实际返回的 model identifier）、 run id、RoboGuide git SHA、外部系统版本、数据集身份/digest、config digest、 起止时间、完整命令、退出状态、失败原因与环境信息。 - Canonical metrics（
roboguide-eval.metrics/v0.3）：注册表当前包含 E1 核心指标（success、subgoal_success_rate、simulation_steps、token_usage、 wall_time、coordination_latency）与预留指标（assignment 三项、scheduling/ recovery latency、resource conflicts、deadline miss、state freshness、 control-plane overhead），并独立表达 benchmark success、local skill completion、 episode termination、RoboGuide Mission completion、global/local calls/tokens、 physical dispatch、message activity 与 failure categories。runner 产出的metrics.json保留 raw evidence 引用；未知指标名拒绝入库。v0.2 历史证据仍可读， 新输出使用 v0.3。v0.1 → v0.2 迁移（尚无正式论文数据）：subgoal_success（boolean）改为subgoal_success_rate（number，[0,1]， 带范围校验）——布尔无法表达部分 subgoal 完成；invalid_assignment_count移除，由 reserved 的 assignment 三指标替代（定义见下）。
E1 是 paired comparison：同一个 Habitat-MAS episode 必须分别由 EMOS 和
RoboGuide 执行。因此 manifest 的 episode_selection 区分两层：
- selector：spec 的 episode 标签（如
seed-pinned-sample）+ seed —— 描述"如何选取"，不是 episode id； - resolution：从官方输出解析出的真实身份——
resolved_episode_id、resolved_scene_id、dataset_index、dataset_record、evidence_source列表与status（resolved/multiple-episodes/unresolved+ reason）。
回答"EMOS run X 和 RoboGuide run Y 是否同一 benchmark episode"看
resolved_episode_id + dataset_record（配合 spec 的 dataset digest）。
不伪造：解析不到就 unresolved/partial 并记录原因。
相同 episode 仍不足以形成 paired workload。两侧还必须覆盖同一 semantic goal
predicates。当前 episode 51 的官方任务要求两个 any_at 谓词在联合终态
成立；每个谓词都允许任意机器人满足，不要求两个不同机器人分别执行。
Habitat adapter 会把完整的 joint terminal-state goal 冻结进 Mission
Grounding Context。最终 MissionPlan 是否覆盖全部谓词由 MI Reviewer/Repairer 和
provenance diagnostic 记录；遗漏谓词属于 RoboGuide/model outcome，不会伪造成
provenance invalid，也不会把该次观察从 Formal population 中静默排除。只有官方
pddl_success 可用时，run 才能进入 benchmark population。
Authoritative semantic evidence v0.2 在中立 identity 字段中保留
episode_id、dataset_revision、dataset_sha256，场景来自
world_context.scene_id。Habitat adapter 从已加载 dataset 对象的实际配置解析
data_path（含 split），沿用当前部署的 .json.gz 文件名去后缀作为 revision，
对 gzip 原始字节计算 SHA-256；不从 B1 输入复制身份。此路径要求部署数据在加载和
采集期间保持不可变，只支持当前单文件 dataset；缺失来源、scene shards、无法识别的
episode/scene 均失败。v0.1 缺少 dataset 身份，读取时拒绝，不自动补齐或升级。
Evaluation 将这四个字段逐项与 b1-input-used.json 严格交叉绑定，任一字段缺失、
类型错误或不匹配都使 provenance invalid；重新计算外层 digest 也不能绕过。
Request 的每条 review_history（包括 repair 前后及 early failure 前已产生的 review）
还必须保留格式正确且等于最终 frozen grounding_context.context_digest 的
grounding_context_digest；缺失、跨 snapshot 或 stale review 使 provenance invalid。
该检查复用现有 request record，不改变 Mission Request HTTP API。
scene/index 的来源（pinned dataset resolver）：在 local.yaml 为系统配置
dataset_path 指向 pinned episodes 文件后，runner 只读解析（gzip+JSON，不
import Habitat/EMOS），并先校验文件 SHA-256 与 spec 的 dataset digest 一致；
episode id 在 dataset 内唯一时给出 resolved_scene_id / dataset_index /
dataset_record，digest 不匹配、id 缺失或重复时给出显式 dataset_status
（digest-mismatch / not-found / ambiguous），不猜。未配置 dataset_path
时 dataset_status: not-configured，scene 保持 null。
| canonical metric | 官方来源 | 说明 |
|---|---|---|
| success | evaluator 摘要 Average episode pddl_success:（stderr，logger 格式） |
stdout+stderr 双流合并解析；仅单 episode run 映射为布尔（均值≥0.5）；批次保留均值在 details，不布尔化 |
| subgoal_success_rate | 官方 pddl_stage_goals.<stage>_success 聚合的均值 |
mobility 的 stage-goal measurement（经 composite_stage_goals 配置节点注册）在 evaluator 摘要中输出 per-stage 成功率；其均值为 rate，原始 stage 值保留在 details.emos_stage_goal_success |
| simulation_steps | stdout Episode ID: <id>, Num Steps: <n> 官方横幅 |
habitat Env.log_episode_steps 在 env reset 时打印 |
| token_usage | chat_history_output/<date>/<config>/<ablation>/<episode_id>/token_usage.json |
EMOS 自带 per-agent 实际 usage total（MultiLLMPolicy.act 构造的嵌套布局，默认开启）；按 prepare 快照差异定位本次新写的文件，复制进 run 目录 raw-evidence/ 并记录 source path |
| wall_time | Harness 实测进程时长 | details.wall_time_source = harness_process_duration 标注来源 |
evaluator 摘要在 stderr：habitat-baselines 的聚合摘要走 Python
logging（默认 stderr，带时间戳前缀），横幅走
token 成本细分是 harness 侧记账职责：EMOS 只记录 per-agent
total_tokens；input/output/cached/reasoning 的细分由 EMOS 侧最小记账 插桩提供——habitat_mas/utils/models.py中每个 LLM 调用通过_record_usage把完整usage对象 + 时间戳 + 延迟追加写入 episode 目录 的token_usage_details.jsonl（instrumentation only：不触碰 task assignment / reflection / execution 任何算法路径，且 RoboGuide 臂将来复用 同一 CrabAgent 栈时测量自动对称）。EmosRunner 按快照差异定位本次新写的 明细文件，复制进 run 目录raw-evidence/并记录 source path，聚合成 canonical 细分（token_input_usage/token_output_usage直接可得；cached_prompt_tokens/reasoning_tokens在上游 usage 携带明细时可得， 否则 unavailable 并说明原因）。本地记账代理（
roboguide-eval proxy）保留为诊断工具：不改 baseline 的透明转发 + 落盘，用于排查中转问题或交叉核对——--upstream必须是不带/v1的根地址，OPENAI_BASE_URL指向http://127.0.0.1:<port>/v1。 MI Responses 可通过同一个代理的/responses；两臂须固定是否经过代理。--run-id <public-id>要求新的 log path，并分别记录requested_model与真实response_model/response_id/system_fingerprint及非敏感推理参数。 返回身份缺失、非 JSON、流式或超过 4 MiB 的 metadata parsing budget 时保持 unavailable， 不能从请求模型名补造。只记录已知 numeric usage 字段，不记录 Prompt、输出文本、 headers、URL query 或凭据。默认最多 10000 条、每条 64 KiB；预算或落盘失败 不改变转发的响应。旁路<log>.status.json区分记录丢失和 in-flight 请求，只有 graceful close 且所有已进入代理的请求已归档，才会给出complete=true。 消费者必须校验 run_id、顺序、记录数、sidecar 和每次返回身份；此状态不证明 绕过代理的请求不存在，也不证明 relay 内部实际模型权重身份。 TTFT 在 baseline 非流式调用下不可观测，如实不记录（插桩记录的是每次调用 的请求/响应时间戳与总延迟）。成本分析语义（
cached ⊆ input）：上游语义中cached_tokens是prompt_tokens的子集（canonicaltoken_input_usage包含缓存命中 部分）。有效输入成本 =(input − cached) + cached × 缓存单价；直接拿token_input_usage乘全价会重复计费缓存部分。实测参考：mobility smoke 一次 run 的 input 41436 中 18432（44.5%）为缓存命中——两臂/多 run 对比 时必须披露缓存命中差异或按有效成本归一。批次 run（一次进程跑多个 episode）的 per-episode token 归因暂缓，五个 token 字段显式 unavailable。
episode identity 的解析顺序：stdout 官方横幅（首选）→ episode_log/**/ *_steps_log.json 相对上一 run 后刷新的 baseline 的新增记录（回退，每个 run
只归属自己新增的记录）→ scene/index 由 digest 校验后的 pinned dataset 补全。
横幅时机已对源码验证：habitat VectorEnv 默认 auto_reset_done=True，
episode done 的那次 step 自动 reset 并打印刚结束 episode 的横幅——包括
最后一个/唯一一个 episode；回退路径保留作非标准执行栈的纵深防御。
token 定位防串场：同一 episode id 的历史 token 记录（不同日期目录）永远 不作为本次证据——只有相对 prepare 快照新建或变更的文件才算，多于一处变 更时显式 ambiguous，找不到时 unavailable 并说明原因。
可用性策略：没有可靠官方来源的 metric 一律缺失，不填 0、不猜测，原因
记录在 details.unavailable_metrics。此外 runner 写入前强制执行 canonical
合同校验（名称/类型/bounds）：违反合同的 payload 不会落盘为不可读数据，而是
降级为空 values + details.metrics_validation_error + trace metrics_invalid
事件，run 的 manifest/日志/证据全部保留。
E1 controlled comparison 的协调延迟只测量全局协调阶段：
- EMOS：从开始 global coordination / group discussion 到 final assignment 确定；
- RoboGuide：从一个已 ready 的 Task/Role requirements 进入全局协调，到 assignment 完成 Commit。
不计入：simulator reset、本地机器人执行、navigation、Habitat skill runtime。 Mission Intelligence 是否计入该指标未决——正式采集前必须先冻结协议； 在此之前该 metric 保持 unavailable（runner 自动标注）。
原 invalid_assignment_count 定义过模糊，已移除。替代三项均为 reserved，
在能可靠提取事件前不采集：
initial_infeasible_assignment_count：初始 coordinator proposal 中被目标 robot/local agent 判定 capability-infeasible 的 assignment 数；final_infeasible_assignment_count：最终进入执行但 capability 上不可执行 的 assignment 数；reassignment_count：因 assignment 拒绝 / feasibility conflict 发生的重新 分配次数。
测量要求：需要从 EMOS 的 Leader Assignment → Agent Reflection → Reject/Reassign 环节可靠提取带 identity 的结构化事件。当前审计结论：这些 环节没有结构化日志输出（仅散落在对话文本中），无法可靠提取——若要采集， 需要在 benchmark integration 层加最小 instrumentation（带 assignment id 与 拒绝原因的事件输出），且不得改动 EMOS 算法逻辑。
每次 run 生成独立目录（真实 results 不提交 Git）：
results/<experiment-id>/<run-id>/
├── manifest.json # 完整可复现身份
├── metrics.json # canonical metrics + raw evidence 引用
├── trace.jsonl # 结构化事件轨迹
├── stdout.log # 外部进程 stdout（失败也保留）
└── stderr.log # 外部进程 stderr（失败也保留）
外部进程失败（非零退出、超时、无法启动）不会销毁证据：manifest 记录退出码与 failure_reason，stdout/stderr 持久化，metrics 允许为空。
# 环境体检（不运行 episode；含 ${VAR} 凭据可解析性检查）
uv run roboguide-eval doctor --spec evaluation/specs/e1/mobility-smoke.yaml
# 运行一个系统（命令映射由本机配置提供）
uv run roboguide-eval run --spec evaluation/specs/e1/mobility-smoke.yaml --system emos
# 覆盖 episode / seed
uv run roboguide-eval run --spec ... --system emos --episode seed-pinned-sample --seed 7
# 汇总
uv run roboguide-eval summarize --results evaluation/results
uv run roboguide-eval summarize --results evaluation/results --jsoncp evaluation/local.yaml.example evaluation/local.yaml（模板已按 emos-baseline 交接文档填好结构：workdir、habitat环境、GPU 1、中转 endpoint、EMOS_LLM_MODEL: "{model}"跟随 spec）；- 运行前导出凭据：
set -a; source /data/workspace/code/emos-baseline/emos.env; set +a（或在 shell 中 exportOPENAI_API_KEY）；doctor 会提前发现缺失的引用； - 凭据使用
${OPENAI_API_KEY}引用，spawn 时从环境解析，manifest 只保留 占位符，不会写入真实 key； - 也可用环境变量临时覆盖：
ROBOGUIDE_EVAL_EMOS_WORKDIR/ROBOGUIDE_EVAL_EMOS_EXECUTABLE/ROBOGUIDE_EVAL_EMOS_CONDA_ENV。
当前 habitat-lab 版本没有 episode_ids 过滤，确定性来自两个手段：
habitat.seed={seed}+habitat.environment.iterator_options.num_episode_sample=1——固定 seed 确定性地采样出恰好一个 episode（注意 seed 必须非零，iterator 忽略 seed 0）；这是 smoke spec 的默认映射，episode 多样性来自 seed 网格；habitat.dataset.content_scenes=["<scene_id>"]——场景级过滤，一个进程跑该 场景的全部 episodes 作为一批。
一个 EMOS 评估进程总是跑完整个（过滤后的）episode 集合，所以 harness 的
episode 字段语义是"确定性选择方案的标签"（selector）；run 实际执行的
episode 身份由 EmosRunner 从官方输出解析后写入 manifest 的
episode_selection.resolution（见上文 Episode identity 一节）。EMOS 的
pddl_success 由 EmosRunner 从 stdout 的 Average episode ... 日志行转换
（仅单 episode run 映射为布尔，均值 ≥ 0.5；批次不布尔化），其余 EMOS 指标
原样保留在 details；wall_time 在系统未自报时由 harness 用实测进程时长
回填，并在 details.wall_time_source 标注来源。metric 来源总表见上文
"EMOS 官方输出与 metric 来源"。
✅ 数据就绪（2026-09-09 验证）：MP3D ToU 已批复、90 栋全量场景在位 （21GB，habitat 仅需 glb 子集），mobility 99 集引用的 18 个场景全部 就绪（目录 + glb 双确认），
mp3d.scene_dataset_config.json在位； smoke 已实际跑通 episode 20。robot 配置说明：robot_configs/mp3d/ mobility_episodes_1.json为手工补的 alias（作者包只有 9 集，alias 补至 10 集，其余 89 集无条目）。已对源码确认其影响：mobility 配置randomize_agent_start: 1，agent 每集由 simulator RNG（受habitat.seed驱动）随机放置——缺失条目不会崩溃（直接索引分支在 randomize 分支的 else 里，不会到达），配置条目仅影响 LLM 的场景文字 描述；同 seed 可复现同一初始状态，两臂同 seed 对比不受影响。
roboguide-eval mission-front 用生产适配器（真实模型 + Capability Catalog v0.3 +
真实审批策略）驱动 Dialogue → Interpreter → Planner → Validator → Reviewer →
Repair 链路，按 semantic invariants（非 exact DAG）评测并落盘完整证据
（instruction / dialogue / assessment / plan / review-repair 历史 / token /
延迟 / 失败原因）。两种运行模式：
- context-free（默认）：engine 使用 Empty grounding reader——即
mission-front --cases ...的原有行为； - fixture-grounded：
--grounding evaluation/mission_front_grounding/canaries.yaml运行 Grounding A/B canaries——每个场景按pair分为 context_free / fixture_grounded 两臂；grounded 臂通过FixtureGroundingReader注入官方GroundingContextSnapshot契约对象（fresh/conflict/stale/no-evidence/ MetadataOnly/gap-only 七组场景），快照按当前 dialogue revision 动态绑定 digest， 不另造任何 grounding 语义。
Plan-dependent invariants 在 Planner 阶段未实际执行时标记为 NOT_EVALUATED
（不计 FAIL）；stage timing 按 case 差分统计。证据与 baseline 报告见
evaluation/baselines/ 与 evaluation/mission_front_evidence/。
- 真实实现：进程管理（超时/终止/日志持久化/进程组清理）、spec 解析与校验、
digest、manifest/metrics/trace 基础设施、CLI（含 doctor 凭据检查）、
canonical metric 合同 v0.2（含范围校验与 unavailable 机制）、episode
identity 解析（官方横幅 + episode_log 回退）、EMOS 官方输出的 canonical
转换（success/simulation_steps/token_usage + unavailable 标注）、
wall_time回填、环境变量值的{model}占位符替换。 - Fixture / 待接（按任务边界有意保留）：EMOS 官方命令的正式参数映射 （现由 local.yaml 模板承载）、RoboGuide Controller 路径驱动（保持 placeholder，等 Task/Role/ExecutionIntent 语义人工冻结后接 Habitat bridge）、Habitat bridge。
- Benchmark 侧观察（已对源码证伪的旧担忧，记录结论防止复发）：此前怀疑
Env.log_episode_steps访问measures['pddl_stage_goals']会在 mobility 上 KeyError。实际验证：mobility measurements 列表中的composite_stage_goals就是PddlStageGoalsmeasurement（config-store 名、package 键pddl_stage_goals与 measure uuid 三者不同名），已注册 且被 HANDOFF 验证过的 social_rearrange 使用同一列表并成功写出 subgoals 文件——无 KeyError，无需任何 override。mobility 的 pddl spec 也定义了stage_goals，per-episode stage 数据会正常落episode_log/**/*_subgoals.json（subgoal metric 接入留待后续轮次）。
evaluation/results/ 是工作输出区，保持 Git 忽略；需要跨机器同步、评审或
作为论文证据的结果快照，显式复制到 evaluation/baselines/<suite-name>/
后提交（2026-09 起经项目负责人确认的约定变更）。当前已入库：
e1-habitat-mas-mobility/：E1 EMOS 臂 4 次 smoke run（含失败→修复→成功 的完整迭代证据与逐调用 token 记账）；mission-front/mission-front-20260911T152347Z-c6eca836/：Mission Front-half 29 case 首轮真实模型 baseline（0/29 通过；主导发现：Interpreter 对简单指令也大量触发澄清，24/29 case 停在 NeedsClarification——属待 review 的前半段行为 evidence，非 harness 故障）。
入库前检查约定：无凭据（精确扫描）、无超大文件（单文件 >1MB 需说明）。