docs(W27-2): 出口口径统一为「七出口 + L0」· D2.5 新增行情/闲聊实测台词 · 金标计数对齐 55 条

本轮只改文档（12 份，无代码改动），把 `W27` 的代码实绩（`L0` 表层判定层 + 出口 `E6` 行情）在**全部交付面文档**上对齐。
此前工程侧已入库（3e24033），但答辩面文档仍留「五出口 / 六出口」旧口径，是最容易被评委当场戳到的自相矛盾点。

## 一、口径统一：五出口 → 七出口 + `L0`
- `D3.6`（被多处引为「五出口权威定义」）：加**口径更新横幅**（列明 `W20` 六出口、`W27` 七出口 + `L0` 的演进线，
  并写明「不变的」——转人工仍只是 `E5c`、白名单仍 4 类、`INV-1`~`INV-5` 一条没改）；§3 标题加「起步定义」；
  **新增 §3.0**说明 §3.1—§3.4 的适用范围；本页 `D3.7` 配套行的金标计数 46→55、10→11 项指标。
- `D1.1`：7 处索引/清单行对齐（`D2.6` / `D2.10` / `D3.6` 的描述与计数），其余「五出口」全部保留为**历史记录**。
- `D2.6`：配套行补 `D3.9` 指向；**新增 `W27` 状态更新段**（金标扩容到 55 条 + 第七个出口 + 三处真缺陷修复），
  并显式声明「上一条 `W24` 的『六个出口』口径已由本条扩为七个」。
- `D3.7`：性质行/读法/§0 计数对齐（46 → 55、十项 → 十一项指标）；**§4 增补 `W27` 扩容后的分母口径表**
  （`M-1`/`M-4`/`M-5`/`M-6`/`M-10` = 55、`M-2` = 33、`M-2b` = 20、`M-3` 明示「考检索的 C 组」，门槛不变）。
- `D2.9`：引用表新增 `D3.9` 行；判分输入件由 `cases_46.json` 更新为 **`cases_55.json`**（附两个分母的产物名）。
- `D2.8`：`W27` 判定补充行（前批已入库，本轮核对通过）。

## 二、HTML 规格文档：只声明口径，不重写历史
`D3.1`（需求开发文档）/ `D3.2`（知识库方案）/ `D2.2`（需求收敛版）/ `D2.4`（知识库收敛版）
四处 `§0.1` 之前各加一段 `callout-warn` 口径更新：说明「五出口」是 v1.x/v2.x 时点的**起步定义**、
现行是「七出口 + `L0`」，并明确**语义与安全结论全部有效、只是不再是全集**，指向 `D3.9` 与 `D2.6` §3。
（`_build` 已标注「已过期·请勿重新生成」，故直接在成品上改，不重跑生成器。）

## 三、`D2.10`（端到端答辩文档）
`六出口` → **七出口 + `L0`**（徽标 / meta / Mermaid / S8 表 / 时间分配 / 文档关系表，共 5 处）；
§3.8 出口表**新增 `E6` 行情行**，正文补 `L0` 段落；§4.1 阈值表后**新增口径更新块**
（区间重叠 ⇒ 单点阈值不存在；阈值降为安全下限；「跨集合回退 0.65」在代码中不存在）；
§6.1 标题与「两个分母都报」的实测块对齐 55 条；§11 补 `D3.9` 与 `W27` 证据文件。

## 四、`D2.5` 演示脚本（答辩当天照着念的那份）
**新增 §4.8「行情走势与闲聊」**——针对上轮被点名的两类，全部用 **2026-09-21 真 HTTP 实跑**的答复：
- `159382这只ETF最近走势怎么样？` → `E6`，给出近 5/20/60/120 个净值日涨跌 + 区间高低 + 数据区间；
- `南方稳健增利债券A最近走势怎么样？` → `E6-miss`，如实说「查不到公开的净值序列」，**拒绝编造**；
- `你好呀` / `谢谢你` / `在吗` → 闲聊，**零检索**；
- **反向守卫**「在吗，想问下南方稳健增利债券A的起投金额是多少？」→ 必须走知识作答（证明 `L0` 判的是整句）；
- 附「口径细节」：`E6` **不调模型**（固定模板 + 纯函数，数字全部来自 `fin_nav_history`），
  闲聊**调模型但完全不查库**（新跑 `_w27_probe_guard.py` 单独验证反向守卫，另有 `_w27_probe_trend/chat.txt`）。
§6 表补两行（闲聊不再进检索 / 走势是算出来的），金标计数行改为 55 条并附两个分母的指标表。

## 五、验证
- `_sync_check.py`：权威目录 → 仓库镜像 **0 缺失 / 0 不一致**（13 份同步）。
- `git diff --name-only`：12 份变更**全部是 `.md` / `.html`**，**无任何代码改动** ⇒ 不影响已绿的
  `pytest 2094 passed / 3 skipped`（3e24033 已复跑）。
- 本轮实测证据保留在 `D:\桌面\金融\_w27_probe_guard.py` / `.txt`（答辩后勿删）。

开发文档/D3.7-客服Agent评测金标集与判分规则-2026-09-17.md

@@ -3,15 +3,16 @@
 > **体系编号**：`D3.7`　·　域：三、现行权威·完整版与专项　·　编号体系见 `D1.1` §4.0
 
 > **编号**：CS-EVAL-2026-022　|　**版本**：v1.1　|　**日期**：2026-09-17　|　**状态**：**现行（活文档：每次跑评测后回填 §6 实测列）**
-> **性质**：**评测输入件**。它把 `D3.6` 的「五出口架构」变成**可证伪的验收依据**。它**不是**需求来源、**不是**任务来源。
-> **读法**：§0（结论）→ §1（前置阻塞：**不修这 4 项，本集跑不了**）→ §2（46 条金标）→ §3（问法分级：哪些才是"智能"考点）→ §4（十项指标）→ §5（判分规则与门槛）→ §6（实测回填表）。
+> **性质**：**评测输入件**。它把 `D3.6` 的「五出口架构」（**起步定义**；现行七出口 + `L0`，见 `D3.9`）变成**可证伪的验收依据**。它**不是**需求来源、**不是**任务来源。
+> **读法**：§0（结论）→ §1（前置阻塞：**不修这 4 项，本集跑不了**）→ §2（基线 46 条 + `W27` 扩容 9 条 = 55 条金标）→ §3（问法分级：哪些才是"智能"考点）→ §4（十一项指标）→ §5（判分规则与门槛）→ §6（实测回填表）。
 > **依据**：① 本仓知识源（`D6.1.1`—`D6.4.x`）与 `knowledge\_chunks.jsonl` 实测；② `D3.6`（架构）与 `D3.5`（检索）；③ 公开评测规范（见 §7）。
 
 ---
 
 ## 0. 一句话结论
 
-金标集**不是"抄 50 个问题"**，而是 **46 条带「期望出口 + 期望证据 + 期望事实 + 禁止出现」四要素的判据**，覆盖 `D3.6` 的五个出口 `E1`—`E5`，并有 **10 项可证伪指标 + 4 项零容忍红线**（禁忌 / 越权 / 无出处数字 / 引用不可解析）。
+金标集**不是「抄 50 个问题」**，而是 **基线 46 条 + `W27` 扩容 9 条 = 55 条**、带「期望出口 + 期望证据 + 期望事实 + 禁止出现」四要素的判据，覆盖 `D3.6` 的五个原始出口 `E1`—`E5` **以及 `W27` 新增的 `E6` 行情与 `L0-a` 闲聊出口**，并有 **11 项可证伪指标（其中 4 项为零容忍红线）**（禁忌 / 越权 / 无出处数字 / 引用不可解析）。
+> 📌 **46 条与 55 条的关系**：46 条是**可比基线**（`W7` 起口径冻结，历次复跑逐项对照）；`W27` 追加的 9 条（`Q-01`—`Q-05` / `C-10`—`C-13`）考的是本轮新增能力。两个分母都报，避免「扩容后看起来变好 / 变差」的误读。
 
 > 🔴 **最重要的一条设计原则**：**「正确地转人工」也算失败。** 除 §4.3 白名单 4 类以外，任何一条金标落到转人工，**都计为不通过**。这正是答辩老师说的"不智能"的量化口径。
 
@@ -191,7 +192,7 @@
 
 ---
 
-## 4. 十项指标（含 4 项零容忍）
+## 4. 十一项指标（含 4 项零容忍）
 
 命名对齐公开评测规范（`ragas`：`Faithfulness` / `Response Relevancy` / `Context Precision` / `Context Recall` / `Noise Sensitivity` / `Tool Call Accuracy`，见 §7）：
 
@@ -211,6 +212,8 @@
 
 > **M-7 ~ M-10 是零容忍**：任一非零即**整体不通过**，不看加权分。理由：金融场景下"答错""越权""编数字"不可接受，与 `D3.6` `INV-2`/`INV-3` 一致。
 >
+> 📌 **`W27` 扩容后的分母口径（与上表并列，两个分母都报）**：上表分母是**基线 46 条口径**。金标扩容到 **55 条**后 —— `M-1` / `M-4` / `M-5` / `M-6` / `M-10` 的分母 = **55**；`M-2` 的分母 = **33**（55 条里带「期望证据家族」的条目数）；`M-2b` 的分母 = **20**；`M-3` 的分母仍明示为「**考检索的 `C` 组条目**」（`W27` 给 `C` 组追加闲聊项后此组已不同质）。**门槛值不变**。实测见 §6.4。
+>
 > 🆕 **`M-9` 取证面补正（`W27`）**：判据是「数字**不可解析到出处**」，出处 = 检索命中的 `title`+`content` + **受控数据工具的原始载荷** + 品牌常量 + **用户原话**。`E2` 族**整体豁免**（数字是受控参数的纯函数输出，与代码里 `_ungrounded_numbers` 只作用于 `E4` 生成文本同口径）。`W27` 新增 `E6` 后，评分器补上「工具原始载荷」这一取证面并把比对改为**数值化**（`16.00%` 与载荷里的 `16.0` 是同一个数）；否则行情答复里的 26 个净值数字会被整片误判 —— 那是**评分器口径**问题，不是产品缺陷。
 
 ---