Metadata-Version: 2.4
Name: econlab
Version: 1.1.1
Summary: Pluggable LLM-agent economic experiment sandbox with auditable run artifacts
Author: EconLab contributors
License: MIT
Requires-Python: >=3.10
Description-Content-Type: text/markdown
License-File: LICENSE
Requires-Dist: numpy>=1.24
Requires-Dist: pandas>=2.0
Requires-Dist: matplotlib>=3.7
Requires-Dist: statsmodels>=0.14
Requires-Dist: PyYAML>=6.0
Requires-Dist: requests>=2.28
Provides-Extra: dev
Requires-Dist: pytest>=7; extra == "dev"
Dynamic: license-file

# EconLab · 异质 LLM 主体经济实验沙盘

一个以 **c-ABM（completely Agent-Based Modeling）** 七条原则为设计目标、可插拔、可复现、带会计双通道校验的 LLM 多主体经济实验室。

- 方法论来源：Leigh Tesfatsion 的 [ACE: A Completely Agent-Based Modeling Approach](https://faculty.sites.iastate.edu/tesfatsi/archive/tesfatsi/ace.htm)，以及本项目上传的《ACE 范式下的 LLM 异质主体经济沙盘：分级实施大纲》。
- 默认真实后端：MiniMax **M3.1-Flash-Preview**（OpenAI-compatible Chat Completions，已实测可用）。
- 可选免费后端：本机 DSH 插件 **our-free-model** 的 loopback forward（模型别名 `kilo-auto/free`），只用于零成本管线 smoke，不进入 MiniMax 证据链；见 [`docs/FREE_MODEL.md`](docs/FREE_MODEL.md)。
- 设计目标不是“让 LLM 扮演经济学家回答题”，而是让异质主体在一个**价格与交易必须从主体行为中涌现**的世界里反复决策。

![EconLab dashboard](docs/images/dashboard.png)

---

## 1. 五分钟跑通

### 1.1 环境

项目已在 Windows + Python 3.11 下验证；依赖：

```powershell
cd "C:\Users\HarryXu\Desktop\LLM_economy_lab_micro&macro"
python -m pip install -r requirements.txt
```

不安装也可以直接运行，当前 bundled Python 已带 `numpy / pandas / matplotlib / statsmodels / PyYAML / requests`。

### 1.2 先跑离线 mock（不花钱，验证整条管线）

```powershell
python -m econlab run configs/ultimatum_mock.yaml --root runs
python -m econlab dashboard --root runs
python -m econlab serve --root runs --port 8765
```

打开 `http://127.0.0.1:8765/dashboard.html`，再点进某次实验的 `report.html`。

mock 后端是**确定性人格启发式**，不是语言模型；报告会显示醒目的“离线 mock”横幅。它只用于检查 prompt → 解析 → schema 校验 → 内核 → 会计 → 报告这条链。

### 1.3 跑真实 M3.1

```powershell
# 方式一：环境变量
$env:MINIMAX_API_KEY="sk-..."
# 方式二：本地 .env（已 gitignore；CLI 启动时自动加载，已存在的环境变量优先）
Copy-Item .env.example .env    # 然后填入 key

python -m econlab probe-api
python -m econlab run configs/ultimatum_llm.yaml --root runs
# 一次跑完两个预注册 live 实验并做 artifact 级核验：
python scripts/live_evidence.py
```

- 端点：`https://api.minimaxi.com/v1/chat/completions`
- 模型：`MiniMax-M3.1-Flash-Preview`（API 返回的 model 字段为 `MiniMax-M3.1-Flash`）
- M3.1 默认强制 thinking，`reasoning_content` 与最终 `content` 分开；本项目显式设置 `max_tokens`，避免推理把输出预算吃光。
- 预算有硬上限：`max_usd / max_calls / max_tokens`，超限记为 `budget_exceeded`，不会静默继续烧钱。

### 1.3b 可选：our-free-model 免费车道

不花 API 费用的另一条真实 LLM 路径：本机 DSH 插件 `dsh-our-free-model` 启用 loopback forward 后，EconLab 用 `provider: openai_compatible` 直接调用它。

```powershell
python scripts/free_model_forward.py status   # 查看插件/forward 状态（只读）
python scripts/free_model_forward.py enable   # 启用 127.0.0.1:18899
python scripts/free_model_forward.py env      # 把 forward key 写入本地 .env（不打印）
python -m econlab run configs/ultimatum_llm_free.yaml
```

- 前提：DSH 桌面宿主正在运行；forward 只绑定 loopback，不暴露局域网。
- 模型 `kilo-auto/free` 是网关别名，上游可能变化；catalog 中其他免费模型未全部验证（部分需要 Bun，本机未安装）。
- 已跑 3 seeds × 3 periods smoke：3/3 verify pass，18 calls / 46,844 tokens / **$0**，报价 0.500/0.433/0.483（mean 0.4722）。**只是管线/成本证据，不是行为结论，也不进入 MiniMax 汇总**；免费上游可能记录 prompt，勿发敏感数据。详见 [`docs/FREE_MODEL.md`](docs/FREE_MODEL.md)。

### 1.4 交互式实验设计台

```powershell
python -m econlab ui --root ui_runs --port 8766
```

打开 `http://127.0.0.1:8766/`。MiniMax API key 由页面顶部的 **MiniMax API Key** 密码框输入，
仅在该次任务的内存中使用；不写入 job.json / config.yaml / artifacts / 日志，也不使用服务器
环境变量作为默认值。刷新页面或关闭服务后需要重新输入。

可以：

- **场景卡片**选场景，自动带出中文说明、设计提示、分组参数与预设主体；支持深链 `/?scenario=macro`；
- **参数设置带完整可读性**：中文名 + 键名 + 单位 + 默认值 + help（是什么）+ impact（调高会怎样）；
  rate 类按 % 显示（`0.20` ↔ 20%），金额类按分→`≈¥` 实时换算；按组折叠，支持搜索、
  只看已修改、恢复默认/整组默认；高级参数默认收起；
- 增删主体、改 count/policy/persona/memory/tools（persona/params JSON 实时校验与格式化，tools 点选 chips）；
- 用参数路径 + 逗号取值生成 variants（带预览 chips）；
- 校验配置、估算成本、后台运行、轮询进度、打开报告；运行队列含冻结 YAML 下载与详情/日志；
- 跑完后在运行队列直接点 **逐期财务 ↗**，逐个主体看它每一期的财务状况；
- 载入 `configs/*.yaml` 或导入/导出 JSON；
- **LLM 模式**：探测可用模型与思考档位 → 选模型 → 按「主体模板 × 模型 × 记忆 × 思考强度 × 数量」分组；
  每组可单独覆盖模型（同一实验并排比较两个后端），分组结果直接走同一条内核校验/运行路径；
- **插件场景**：通过 `econlab.plugins` entry point 安装的第三方场景自动出现在卡片列表，带
  「插件 · 包名」徽标与 capabilities/源码模块信息；顶栏显示插件数与加载失败数。

点击“运行实验”时若选择 minimax 且有 LLM 主体，页面会要求先输入 API key；选择 mock 不需要 key。
UI 是本地单用户工具，只绑定 `127.0.0.1`。
设计台、报告页与 dashboard 共用同一套设计 tokens，并跟随系统深色模式。实现、参数元数据
契约与扩展方式见 [`docs/UI.md`](docs/UI.md)。

![EconLab UI](docs/images/ui.png)

### 1.5 一条命令做一次“真实 + 可复现”的实验

```powershell
python -m econlab validate configs/ultimatum_llm.yaml
python -m econlab estimate configs/ultimatum_llm.yaml
python -m econlab run configs/ultimatum_llm.yaml --root runs --resume
python -m econlab verify archive/legacy_live_runs/ultimatum_minimax_m3_1/baseline__s1
python -m econlab replay runs/ace_labor_market_demo/demo__s1
```

> `verify` 现在是 artifact 级核验器：从 `transactions.jsonl` / `stock_flows.jsonl` / `events.jsonl` / `config.json` / `initial_state_frozen.json` 重算，不读 `metrics.json` 的自报结果。退出码 `0` = 通过、`2` = 不一致、`3` = legacy；修复前生成的 run 缺少 provenance / event 链接字段，会被标记为 legacy（exit code 3），请用新代码重跑后再核验（上面示例中的 live run 若仍是修复前产物，也会返回 3）。
>
> `replay` 是完整仿真重放：从 `turns.jsonl` 重建 recorded Action 流，用同一份代码重新执行每个 period/phase 的 validate / handle_action / settlement，再逐通道比较 events、transactions、stock flows、turns、证据链、series、metrics 与 checkpoint。它不调用 LLM，也不重放 policy 私有记忆。现代 artifact 可 exact replay；schema 演进前的旧 macro artifact 不保证逐字节复现。用法、16 项检查与样例见 [`docs/REPLAY.md`](docs/REPLAY.md)。
>
> **macro 生成版本（v10，2026-11-17）**：省略 `model_version` 的新 macro 配置默认 `macro-v10-output-labor-demand`（M3-1 劳动市场修复：firm 目标纳入 output/inventory 通道、分离需求随机取整、被分离者一期搜索滞后；strict labour-market 默认继续开启）。仓库内 16 个 pre-v9 历史配置仍显式 pin 为 `macro-v8-legacy`，v9/v8 逐位保留可重跑；已冻结的 `backtest_macro*.yaml` 未改，若重跑旧生成必须显式加 `model_version: macro-v8-legacy`。v10 的 5-seed 主结果、事件契约与 H3 v8/v9 回归见 [`docs/prereg/MACRO-M3-001-v10-labor-market.md`](docs/prereg/MACRO-M3-001-v10-labor-market.md) 与 `audit/findings/M3-001-v10-labor-analysis.md`；v9 迁移的 10 个 primary run、E0–E3 与 **literal-script-v2 vs corrected decision** 见 [`docs/ENGINE_MIGRATION.md`](docs/ENGINE_MIGRATION.md)（v9 现为历史生成）。

---

## 2. 实际跑出来的结果（不是示意）

本仓库的 `runs/` 下有已完成的可复查运行：

| 实验 | 后端 | 规模 | 结果 | 成本 |
|---|---|---|---|---|
| `ultimatum_minimax_m3_1` | MiniMax M3.1-Flash-Preview | **5 seeds** × 3 periods × 1 pair | 5/5 种子报价份额 0.50（sd=0），接受率 1.00；compliance=pass，**6/6 verify pass**（新格式） | 30 次调用 / 43,221 tokens / **$0.0106** |
| `ultimatum_llm_tools` | MiniMax M3.1-Flash-Preview | 2 seeds × 3 periods × 1 pair，tools=calculator/history_stats | 报价 0.50、接受率 1.00，与无工具臂相同；**模型 0 次工具调用**（只让 prompt 变长约 30%），compliance/verify pass | 12 次调用 / 22,074 tokens / **$0.00702** |
| `ultimatum_llm_memory` | MiniMax M3.1-Flash-Preview | 4 probes（none/clear/shuffle/placebo）× 2 seeds × 5 periods，buffer memory | 8/8 run 报价 0.50、接受率 1.00；**三种记忆干预均无可检测差异 → 记忆结论作废**（`memory_probe.py` 判定），compliance/verify pass | 80 次调用 / 139,625 tokens / **$0.044152** |
| `engel_llm_live` | MiniMax M3.1-Flash-Preview | 16 户（12 rule + 4 LLM）× 6 期 × 2 seeds | 全样本弹性 0.950，但 **LLM 子样本弹性 ≈1.00、份额恒 0.600 → 未复现 Engel 定律**（事后分析脚本），compliance/verify pass | 58 次调用 / 188,962 tokens / **$0.089941** |
| `ultimatum_llm_ablation` | MiniMax M3.1-Flash-Preview | 4 个累积臂（baseline/+config/+memory/+tools）× 2 seeds × 3 periods | 8/8 compliance+verify pass；48 calls、无 repair；prompt token 随累积上升（6,941→10,910/run），但各臂报价 0.500、接受率 1.000、工具 0 调用 → 只作成本/结构样本 | 48 次调用 / 78,764 tokens / **$0.025267** |
| `ultimatum_minimax_m3` / `..._text01` | MiniMax-M3 / MiniMax-Text-01 | 同协议 5 seeds × 3 periods，各 5 runs | M3 报价恒 0.50（sd=0）；**Text-01 报价 0.433–0.583（mean 0.4767，sd 0.0619）**；acceptance 全 1.00；10/10 verify pass；三后端移动表见 BACKEND_SENSITIVITY.md | 60 次调用 / 约 **$0.0227** |
| `ultimatum_free_kilo` | our-free-model 2.8.0 本地 forward → `kilo-auto/free`（免费网关） | 3 seeds × 3 periods × 1 pair | 3/3 verify pass；报价 0.500/0.4333/0.4833（mean 0.4722，sd 0.0347）、接受率 1.00；**上游别名采样有方差**，但仅 smoke，不作行为结论 | 18 calls / 46,844 tokens / **$0.00** |
| `macro_backend_{m3,m31,text01}` | MiniMax-M3 / M3.1-Flash-Preview / Text-01 | 2 LLM 家庭 + rule 企业/政府/央行，16 期 × 1 seed × 3 后端 | 三相关全负但**移动明显**：okun −0.694/−0.597/−0.646，phillips −0.789/−0.900/−0.781，mean_output 6.31/5.81/8.19；3/3 verify pass；**失业率 17.5–41.3% 病态，均值不可读作宏观水平** | 135 次调用 / 614,438 tokens / **$0.41373** |
| `ultimatum_existence_ladder` | zero / rule / LLM | 3 臂 × 5 seeds × 3 periods | zero 0.466（0.385–0.571）、rule 0.450、LLM 0.500；**eta2 variant 0.196 < seed 0.209** → 与种子噪声同量级；15/15 verify pass | 30 次调用 / 约 $0.01 |
| `ultimatum_factorial_live` | LLM | factors memory[none,buffer5] × knowledge[full,ablated]，3 seeds × 3 periods | **12/12 全部 0.500/1.000 → factor ANOVA degenerate（无方差可分解）**；12/12 verify pass；负结果 | 72 次调用 / 约 $0.014 |
| `l1_002_architecture`（M4-1） | MiniMax-M3.1-Flash / DeepSeek-flash | 3 臂（zero / single_controller / multi_agent）× 5 seeds × 3 periods × 5 pairs；主面板 15 runs + DeepSeek 敏感性 15 runs | **`partial_support`（L1 2/3）**：H2 支持（对人类的均值差 +0.078 CI [0.055,0.097]、拒绝率差 −0.147 CI [−0.16,−0.12]、5/5 非退化）；H3 支持（η²_agent **0.752** vs η²_seed 0.041、置换 p=0.0002，zero 对照 p=0.226）；**H1 未复现**（multi 与 single 均值同为 0.478，逐 seed 仅 3/5 更接近人类 0.40、距离差 −0.004 CI [−0.02,0.014]）；30/30 verify pass | 主面板 303 calls / 536,928 tokens / **$0.1971**；DeepSeek 301 calls / 469,921 tokens / **$0.1564** |
| `l2_002_factorial`（M4-2） | MiniMax-M3.1-Flash | 2×2×2 正交因子 existence（LLM/rule）× memory（none/buffer5）× knowledge（full/ablated）× **5 seeds** × 6 期 × 3 对；主面板 40 runs + 记忆探针面板 20 runs | **`partial_support`（L2 1/3）**：**H1 存在性支持**（LLM vs rule 的报价份额差 **+0.0735**，CI [0.0669, 0.0792]，seed noise 0.0082，5/5 同向）；**H2 记忆未支持**（+0.0097，CI [0.0033, 0.0169] 排除 0 但 **seed noise 0.0112 > |点估计|**；探针 overall detectable，但主要由 placebo 臂驱动）；**H3 认知未支持**（+0.0053，CI [−0.0077, 0.0202] 含 0）；rule 四单元逐 seed 完全一致（操纵检查 pass）；60/60 verify pass | 主面板 723 calls / 1,418,217 tokens / **$0.4509**；探针 481 calls / 858,384 tokens / **$0.2749**；合计 **$0.7258** |
| `evidence_pipeline` + `claim_ledger`（M4-4/M4-5，2026-11-17） | 审计工具（无新 run） | 932 runs（current 405）/ 41 份预注册 / 20 条 claim | **证据合规流水线**：current **405/405** 合规（R1 生成时签名 / R2 engine+model_version / R3 treatment / R4 预注册链接）、预注册 **41/41**、batch `l3_003_macro` / `l3_003_engel` 各 **10/10 verify**；`strict-v2` 预注册 run 缺 `model_version`/`world.treatment` 在 `run` 前即 `ConfigError`。**claim ledger**：20 条（supported 4 / partial 4 / not_supported 6 / descriptive 1 / engineering 4 / unverified 1），逐条含 prereg+finding 双证据，`--check` 与 Markdown 逐字节一致；负结果全部入账 | 0 |
| `l3_003_macro` + `l3_003_engel`（M4-3） | MiniMax-M3.1-Flash | macro：rule / LLM 两臂 × **5 seeds × 40 期**（6 个 LLM 决策主体 + rule 家庭/政府/央行）；engel：rule / LLM 两臂 × 5 seeds × 40 期（8 个 LLM 消费者 + 4 rule anchor）；两面板各 10 runs | **`l3_not_supported`（L3 1/4）**：**H4 Engel 支持**（LLM 必要品收入弹性 **0.7477** CI [0.5986, 0.9205]、份额-收入斜率 **−0.0600** CI [−0.0812, −0.0242]，4/5 种子满足 0<弹性<1 且斜率<0）；**H1 Phillips 未支持**（2/5 为负，点估计 −0.0033 CI [−0.0439, 0.0458]）、**H2 Okun 未支持**（3/5，−0.0290 CI [−0.0537, −0.0044]）、**H3 Beveridge 未支持**（0/5，+0.1746 CI [0.0826, 0.2624]）；rule 臂 H1/H2/H4 呈期望符号、H3 因 macro-v10 构造为正（不作涌现证据）；20/20 verify pass；2 个种子退化指标显式标红 | macro 1,208 calls / 3,642,585 tokens / **$1.2379**；engel 1,601 calls / 5,922,904 tokens / **$1.9473**；合计 **$3.1852**（另有 402/529 失败重试约 $1.1–1.3） |
| `l4_010_realtime_vintages`（M5-1/M5-2） | rule/mechanism（`macro-v8-legacy`，200 户） | 12 个美国实时 vintage episodes（Philadelphia Fed RTDSM）× **20 seeds = 240 成员**；4 期 warmup + 8 期评估；forecast 冻结后才读实际值 | **`l4_010_not_supported`**：**H1 校准未达成**（`gdp_yoy` 80% 区间覆盖率 **0.4896**，目标 0.80–0.90；PIT mean 0.4714；MAE 13.8268 vs naive 3.2978）；**H2 技能未达成**（`skill>0` 目标 **0/3**：gdp −3.1928、du −0.6001、pi −3.5394）；设计门禁（12 episodes 窗口不交/vintage 唯一/无重复 episode/每 episode 20 成员且非退化）全部通过；v2 重跑 `score.json` 与 attempt-1 逐字节相同 | **$0**（rule-only、无 API；runtime 4655.172s） |
| `l4_011_llm_arms`（M5-3/M5-4） | MiniMax-M3.1-Flash / MiniMax-M3 / MiniMax-M2.7 / deepseek-flash / deepseek-v4-pro（2 个后端） | macro LLM 臂：17 主体（6 LLM）× 2 个 vintage episodes × 5 seeds = 10 runs；ultimatum_architecture multi_agent：5 个模型身份 × 5 seeds = 25 runs | **`l4_011_llm_arms_supported`（M5-3 + M5-4 达成）**：35/35 verify pass 且签名范围 generation、compliance 全 pass、fallback 0；**H1 技术门禁 supported**（两场景 LLM 臂各 5 seeds 签名通过）；**H2 身份敏感性 supported**——池化种子噪声 0.013036，最大身份差 minimax_m27 vs deepseek_v4pro gap 0.0300（95% CI [−0.0433,−0.0167]）、为种子噪声的 **2.30×**，η² identity 0.5083 / backend 0.4631、ANOVA F 5.168 p=0.0050；macro LLM 描述评分 gdp skill −3.2767（仅描述、不参与判定） | 合计 **1,490 calls / $0.9938**（macro 734 calls $0.5897 + ultimatum 756 calls $0.4041） |
| `m6_replay_panel`（M6-1/M6-3，2026-11-18） | rule/mechanism（无 LLM、无 API） | 20 个内置场景 × 5 seeds（901–905）= **100 runs**；每个 run 完整重放全部 period | **`m6_3_replay_supported`**：100/100 replay pass、100/100 per-period material-state 链逐项复现、原始链 100/100、0 结构违规、0 覆盖违规；每期 material state 的 ledger/stock-flow/state 变化必须由同期交易/库存流/事件闭合（`period_state_closure` hard compliance）；ACE 再审计 **5 PASS / 2 PARTIAL / 0 FAIL**，**G5 未通过**（laws-as-agents 未完成） | 0（rule-only） |
| `macro_sfc_ext` | 规则主体 | 40 periods × 3 seeds，贷款偿还/欠息 + 三部门 SFC | 3/3 verify pass；政府/央行/企业残差全 0；默认轨迹 0 差异 | 0 |
| `transfer_{ultimatum,public_goods}` | MiniMax M3.1 | 4 personas × 2 games × 2 seeds | live 迁移 Spearman=1.0 但 **n_matched=2 → INSUFFICIENT_N，external_validity=False**；4/4 live verify pass | 61 次调用 / 约 $0.03 |
| `macro_advanced_finance` | 规则主体 | 40 periods × 3 seeds，商业银行 + 政府债券 + SFC/资金流量矩阵 | 3/3 verify pass；**ff 存量/流量矩阵行和残差 = 0**、银行/债券/部门恒等式全 0；默认关闭时既有轨迹 0 差异 | 0 |
| `macro_full_sfc` | 规则主体 | 40 periods × 3 seeds，银行+债券+投资+完整 FoF | 3/3 verify pass；**ff_full_matrix / ff_full_flow / sector_saving_investment 残差全 0**；总净财富=资本 book value；**不是 DSGE** | 0 |
| `l4_backtest`（欧元区 2008-09，无条件） | 规则主体 | 真实初值（ECB）→8 期，确定性修复后重跑 | **负面/弱**：Δu 1/2（n=2）、ΔHICP 5/8、GDP 3/6；累计 Δu +2.70 vs 0.00、ΔHICP −2.47 vs +0.02（不一致）；nMAE 1.14/0.85/4.71 | 0 |
| `l4_backtest_conditional`（2008/2020/2011） | 规则主体 | 真实 GDP 反推 demand 路径（预注册 v2），3 episodes × 4 runs | **mixed_weak**：pooled Δu 8/15=0.533、Δπ 17/29=0.586、z 相关 −0.18/+0.15、水平 nMAE 7.40/2.02；GDP 输入匹配差（clip 75–83%）→ 历史复现未达成 | 0 |
| `policy_experiments` | 规则主体 | 5 treatments × **10 seeds** × 40 periods（macro_full_sfc 全开） | 50/50 verify pass；**SFC gate PASS（0/50 残差>1e-9）**；fiscal_expansion output +4.7% 但 household consumption −10.1%/W1_pc −7.9%（政府购买挤出消费）、high_tax output −2.9%/debt −9.5%、tight_reserves 实际指标 0（仅 reserves↔cb_lending 互补 34 万）、high_policy_rate bank profit 符号翻转；**模型内福利代理≠规范福利**；LOO/bootstrap 仅描述性 | 0 |
| `l4_backtest_conditional_v3`（2008/2020/2011） | 规则主体 | dual-channel demand+productivity（预注册 L4-002），30 底层 run | **仍 mixed_weak**：pooled Δu 7/14=0.500、Δπ 13/29=0.448、z +0.010/+0.225、水平 nMAE 8.43/1.90；conditioning_failed 58%、g2 split_dependent 触发；**双通道未改善条件化质量**；独立交叉核对 175/175 PASS | 0 |
| `macro_interbank` | 规则主体 | 40 periods × 3 seeds，银行+债券+投资+完整 FoF+**P9**（同业/期限结构/信用风险/资本约束） | 3/3 verify pass；旧矩阵/完整矩阵/流量/储蓄-投资/银行平衡残差**逐期 0**；同业敞口 329–338k、短/长债 1.34–1.60M、NPL 24–36%、资本率 4.5–45%；默认关闭时 80 期对拍 0 差异；**仍不是 DSGE** | 0 |
| `l4_backtest_identified_v4`（2008/2020/2011） | 规则主体 | 第二外部信号（Eurostat 消费）+ 2×2 数据反演（预注册 L4-003），21 底层 run；artifact `7d6b42c3…`（元数据修复版，交叉核对 v4 记录项已闭环） | **h0_retained**（负面）：pooled Δu 8/15=0.533、Δπ 10/29=0.345、z +0.018/−0.448、水平 nMAE 10.08/2.65；**2×2 识别失败**（B_t 奇异/cond≈1e8、 ridge 0 季启用、fallback 主导）→ 第二信号未改善复现；独立交叉核对进行中 | 0 |
| `l4_backtest_identified_v5`（2008/2020/2011） | 规则主体 | GDP+GDP 平减指数（Eurostat PD15_EUR）2×2 数据识别（预注册 L4-004），21 底层 run；artifact `5cc2d3a5…`（独立交叉核对 **267/267 PASS**） | **h0_retained**（E0 pass，负面）：pooled Δu 方向 6/11=0.545、u 水平 nMAE 10.58、episodes 1/3；**2×2 这次满秩启用**（ridge 8/12/12 季、fallback 0）但两 target 输入匹配差（GDP nMAE 3.2–12.9，平减 2.4–22.4）→ u 仍未复现；π 仅作 polluted 诊断 | 0 |
| `l4_backtest_identified_v6b`（2008/2020/2011） | 规则主体 | v6b 增强模型（200h×32f，劳动需求+消费动态+产能/初始库存修复；预注册 L4-006），21 底层 run；artifact `af51592c…`（交叉核对 395/395 PASS） | **mixed_weak**（部分复现）：pooled Δu 方向 **18/23=0.783**、3/3 episodes≥0.5 达标；**u 水平 nMAE 15.09 失败**（条件化路径把 u 推到 31.5–43pp，layoffs 53–73）→ 方向改善但水平未复现；ridge 8/8/8、fallback 0；π 仅污染诊断 | 0 |
| `l4_backtest_identified_v7`（2008/2020/2011） | 规则主体 | v7 水平锚定模型（200h×32f，`employment_level_anchor_enabled` + elasticity 0.50；预注册 L4-007）+ GDP-only 序贯 1×1 识别（productivity≡1.0），15 底层 run；artifact `640430f8…`（MD 元数据修正版 `89b0695f…`；独立交叉核对 **10/10 PASS**） | **mixed_weak**（部分复现）：pooled Δu 方向 **17/22=0.773**、3/3 episodes≥0.5 达标；**u 水平 nMAE 1.176 未达 1.0 阈值**（较 v6b 15.09 降 12.8×；模型 u 峰值 9.5/13.0/10.5pp；conditioning_failed 0/0/0）→ H1 不支持、非 H0；GDP 输入精确匹配（gate pass）但**不能宣称历史复现** | 0 |
| `l4_backtest_identified_v8`（2008/2020/2011） | 规则主体 | v8 500h×32f 更细网格（预注册 L4-008，0.2pp），15 核心 run + 10 elasticity 诊断；artifact `a0fc6c46…`（独立交叉核对 250 项 0 FAIL） | **仍 mixed_weak**：pooled Δu **20/27=0.741**、3/3 episodes≥0.5；**u 水平 nMAE 1.439 失败**（比 v7 1.176 更差，比无条件 0.921 差 56.4%）；方向包络 [0.667,0.833] 稳健通过、水平包络 [1.289,1.590] 稳健失败；elasticity 0.35/0.65 因冻结 identity 自检 false 记为 **INVALID_IDENTITY / 非确认性** → 更细网格仍未复现历史 | 0 |
| `l4_v7_boundary_checks`（post-hoc） | 规则主体 | seed 稳健性 3 runs（ea_2008，12 期）+ 量化分辨率分析（读冻结 artifact `640430f8…`） | 3/3 verify pass；**3 seeds 全序列逐位相同**（config 无随机项，seed 噪声恰为 0）；u MAE 0.2917pp / nMAE 0.2590 / Δu 6/6；200 户 0.5pp 网格下 u 水平 nMAE 逐点 ±0.25pp 区间 **[0.8557,1.5524]** 含阈值 1.0、方向 tie 区间 **[0.5312,0.7500]** 含 0.65 → recorded decision 不改，但该分辨率不足以分辨 H1/H0，需预注册更细网格（L4-008 已完成：500 户/0.2pp，仍 mixed_weak，见 §20） | 0 |
| `ultimatum_multimodel_{20261109,20261109b}` | 13 个免费车道 + MiniMax M3 | 2 个冻结快照；计划 66 runs，完成 **24 / 9 个模型身份 / 7 个完整 3 seeds**（A 19、B 5） | **availability-conditioned 描述性复制**：complete eta²=0.545、pooled within sd=0.02546；模型均值 0.30–0.50，多模型饱和到 0.50；A 20×429+3×403、B 4×429+1 partial；**不是模型能力排名、不是外部效度**；24/24 verify pass | 免费 $0 + MiniMax 3 runs 约 **$0.0064** |
| `public_goods_mekvabishvili_mock` | mock | 10 players × 10 期 × 3 seeds（与人类 4 人固定组/10 轮设计**刻意错配**） | 3/3 verify pass；first 0.6133 vs 人类 0.7885（W1 0.2089）、mean 0.3132 vs 0.7397、last 0.0283 vs 0.6188、slope −0.0700 vs −0.0133；**设计错配 + 同质规则，不构成外部效度**；人类基准见 `data/human_benchmarks/public_goods_mekvabishvili2021.json` | 0 |
| `binary_ultimatum_{rule,mock,live}` | 规则 / mock / MiniMax M3.1 | 3 臂 16 runs（rule/mock 各 6、live 4；2 seeds × low/high effort） | 16/16 verify pass；OSF wphqm 人类 15 指标描述性对照：live proposer reveal 0.9750 vs 人类 0.6977、responder case1 接受 0.0000 vs 0.5172（超公平拒绝）、case2 均 100%（结构性）；**live 仅 2 seeds × 2 effort、effort 无成本，不构成外部效度** | live 123 calls / 292,494 tokens / **$0.1252** |
| `dsge_benchmark` | DSGE 基准（独立模型，非 run） | 小型 NK 3 方程（IS/NKPC/Taylor）+ ABM IRF 对比 | 无 p 值/因果：4/4 维度冲击当期同号、平均 shape corr +0.646；需求→通胀 +0.824，需求→产出 +0.234（非单调），供给向不稳健；**DSGE 是独立基准，ABM 仍是 reduced-form，不可校准互比** | 0 |
| `macro_minimax_smoke` | MiniMax M3.1-Flash-Preview | 2 LLM households + 1 LLM firm, 2 periods, 1 seed | 管线闭合：6 次决策、无重试（`max_tokens=4096` 重跑；2048 时 3/6 次被 reasoning 截断），compliance=pass，verify pass；只作管线证据 | 6 次调用 / 16,136 tokens / **$0.010008** |
| `double_auction_rule` | 规则主体 | 3 buyers × 3 sellers × 6 periods × 3 seeds | CDA / uniform 两种机制，效率 0.98–1.00（修复后重跑，verify pass） | 0 |
| `public_goods_mock` | mock | 4 players × 6 periods × 3 seeds × 2 institutions | 贡献份额约 0.46–0.50（修复后重跑，verify pass） | 0 |
| `macro_calibrated` | 规则主体 | 10 households × 3 firms × **80 periods × 5 seeds** | Okun/Phillips/Beveridge 在 5 个种子上全部为负；mean U≈6.8%，mean π≈0.55%/季（修复后重跑，全部 compliance=pass / verify pass） | 0 |
| `macro_rule` | 规则主体 | 10 households × 3 firms × 80 periods × 3 seeds × 3 treatments | 校准基线 + 高税/弱匹配处理组（修复后重跑，9/9 verify pass） | 0 |
| `macro_sfc` | 规则主体 | 10 households × 3 firms × 80 periods × 3 seeds，贷款偿还 5% + 欠息清偿 | `sfc_residual_max=0`；3/3 compliance+verify pass；默认参数下既有轨迹不变（16 个共同列 0 差异） | 0 |
| `macro_phillips_sensitivity` | 规则主体 | 10 households × 3 firms × 40 periods × 3 seeds × 3 处理 | Phillips 相关系数对 reduced-form 系数的敏感性表；9/9 verify pass；只作假设敏感性，不是因果识别 | 0 |

真实运行的关键事实：

- 免费车道（独立样本，**不计入**上面的 MiniMax 汇总）：`ultimatum_free_kilo` 3 seeds × 3 periods，3/3 verify pass；18 calls / 46,844 tokens / **$0**；报价 0.500/0.4333/0.4833（mean 0.4722，sd 0.0347），接受率 1.00。这是上游免费网关的采样，不是行为结论，见 [`docs/FREE_MODEL.md`](docs/FREE_MODEL.md)。
- 合计 **60 个 MiniMax API live run / 592 次调用 / 1,520,063 tokens / $0.7592**（成功 run 的 usage 估算；另有约 $0.27 因宏观首轮 200k token 预算触顶而浪费；最终账单以官方为准）。关键结果：**工具臂 0 次调用工具**、**记忆探针对行为无影响 → 记忆结论作废**、**Engel 的 LLM 子样本弹性≈1 → 未表现出 Engel**；**M3 与 M3.1 在最后通牒上行为完全相同、Text-01 是唯一有种子方差的 LLM 后端**；**宏观三后端的 Okun/Phillips/Beveridge 相关移动明显**（单 seed、劳动市场病态）；**L1 三组对照的臂间差异与种子噪声同量级**；**L2 factorial 在该任务上完全退化（全部 0.5）**；**L4 跨情境迁移 n=2、明确不是外部效度**。
- **M4-1（L1-002，2026-11-17）**：三臂架构阶梯（zero / LLM 单控制器 / LLM 多主体）× 5 seeds + DeepSeek 后端敏感性。**H2/H3 成立、H1 失败 → L1 2/3 `partial_support`**：多主体并没有比单控制器更接近人类均值（两臂均值同为 0.478，人类文献均值 0.40），但分布差异可量化、主体身份方差显著大于种子噪声。按预注册不加种子、不改 prompt；这是“架构阶梯方向效应未复现”的负结果，不能外推为“架构无关”。详见 [`docs/LIVE_RUNS.md`](docs/LIVE_RUNS.md) §1ae 与 [`audit/findings/L1-002-architecture-ladder.md`](audit/findings/L1-002-architecture-ladder.md)。
- **M4-2（L2-002，2026-11-17）**：2×2×2 正交因子（存在性 × 记忆 × 认知）× 5 seeds + 记忆探针面板。**H1 存在性成立、H2/H3 未支持 → L2 1/3 `partial_support`**：LLM 主体比 rule 主体报价高约 7.35 个份额点（CI 排除 0 且远超种子噪声）；记忆（buffer5 vs none）方向为正但效应落在种子噪声内，且探针只由 placebo 臂驱动——不能宣称“记忆内容被有效使用”；通用经济知识开关无可检测差异。按预注册不加种子、不改 prompt/温度/persona；负结果与正结果同等报告。详见 [`docs/LIVE_RUNS.md`](docs/LIVE_RUNS.md) §1af 与 [`audit/findings/L2-002-three-axis-factorial.md`](audit/findings/L2-002-three-axis-factorial.md)。
- **M4-3（L3-003，2026-11-17）**：macro（Phillips/Okun/Beveridge）与 engel（Engel 定律）两个 live 面板，rule vs LLM 各 5 seeds × 40 期（burn-in 8），判据为 LLM 行为臂在 ≥4/5 个 seed 上呈现期望符号。**只有 H4 Engel 成立（4/5）→ L3 1/4 `l3_not_supported`**：LLM 家庭必需品收入弹性 0.7477（CI [0.5986,0.9205]）、份额-收入斜率 −0.0600（CI [−0.0812,−0.0242]）；H1 Phillips 仅 2/5 负（−0.0033）、H2 Okun 3/5 负（−0.0290）、H3 Beveridge 0/5 负且全正（+0.1746，与 `macro-v10` 劳动力需求通道的构造限制一致）。按预注册不加种子、不改 prompt/温度；负结果与正结果同等报告。engel `llm__s5` 经历 HTTP 402（充值）与多次 HTTP 529 过载，修复传输层 529 可重试后用 `ECONLAB_PROVIDER_MAX_RETRIES=8` 跑通，已在预注册 §10 披露。详见 [`docs/LIVE_RUNS.md`](docs/LIVE_RUNS.md) §1ag 与 [`audit/findings/L3-003-directional-facts.md`](audit/findings/L3-003-directional-facts.md)。

- **M4-4（证据合规流水线，2026-11-17）**：新增 `econlab/evidence.py` 的 strict-v2 元数据预检（`run` 前强制 `model_version` + `world.treatment`，否则 `ConfigError`）与 `scripts/evidence_pipeline.py`（inventory + 证据门禁 R1–R4 + 预注册校验 + 可选 batch 逐 run verify，输出无时间戳、二次运行逐字节一致）。实测 932 runs / current 405 / legacy 527 / incomplete 35；门禁 **405/405**、预注册 **41/41**、`l3_003_macro`/`l3_003_engel` 各 10/10 verify。注意：旧 M2 配置多数缺 `model_version`，重跑前需补齐（它们本就是 legacy 的 missing_model_version 512）。产物 [`audit/findings/evidence_pipeline.md`](audit/findings/evidence_pipeline.md)。
- **M4-5（报告与 claim ledger，2026-11-17）**：新增机器可读 [`audit/findings/claim_ledger.json`](audit/findings/claim_ledger.json) + 生成/校验器 `scripts/claim_ledger.py` + [`docs/CLAIM_LEDGER.md`](docs/CLAIM_LEDGER.md)（20 条 claim，逐条证据链接；supported/partial/not_supported 必须有 prereg + finding 双证据，`--check` 校验路径存在与 Markdown/JSON 逐字节一致）。[`docs/L4_BOUNDARY.md`](docs/L4_BOUNDARY.md) 新增 §4.2，明确 M4 只提升内部证据可复算性、**不改变 Level 1–4 判定**；L1 架构方向、L2 记忆/认知、L3 Phillips/Okun/Beveridge 的负结果全部入账，未省略。
- L4 流水线已交付并跑通小样本：累积消融 8/8、冲击 arms 9/9、后端敏感性表（含 **3 个真实 LLM 后端**的移动表：Text-01 vs M3 offer share −4.67%，M3.1 vs M3 = 0；再加 24-run/9-identity 的跨模型描述表，7 个完整 3-seed，complete eta²=0.545、pooled within sd=0.02546）、历史伪平行集合预测 L4-009（GDP pooled skill −0.7246、80% coverage 0.8438；mixed_weak，非 Level 3）。**跨模型表是 availability-conditioned 描述统计，不是模型能力排名，也不是外部效度。** 详见 [`docs/L4_EXTERNAL_VALIDITY.md`](docs/L4_EXTERNAL_VALIDITY.md)、[`docs/L4_BOUNDARY.md`](docs/L4_BOUNDARY.md) 与 [`docs/BACKEND_SENSITIVITY.md`](docs/BACKEND_SENSITIVITY.md)。
- **M5-1/M5-2（L4-010，2026-11-17）**：把 L4 从“历史伪平行”推进到**实时 vintage、多 episode、发布前冻结**的预测检验——12 个美国 RTDSM 实时 vintage episode（评估窗两两不相交、1968-Q4…2021-Q4）、200 户 `macro-v8-legacy` 规则模型 × 20 seeds = 240 成员，先冻结 forecast 再读 latest-vintage 实际值。判定 **`l4_010_not_supported`**：`gdp_yoy` 80% 区间覆盖率 0.4896（目标 0.80–0.90）、PIT mean 0.4714；三个目标的 skill 全负（gdp −3.1928、du −0.6001、pi −3.5394），`skill>0` 目标 0/3。设计门禁全部通过（独立性、无重复 episode、非退化），因此这是**该冻结规则模型在真实实时 vintage 初值下不具校准/技能**的负结果，不是设计失败；按预注册不追加种子、不调参。**M5-2 验收未达成，且本面板无 LLM 臂（M5-3 未满足）**。详见 [`docs/LIVE_RUNS.md`](docs/LIVE_RUNS.md) §1ah 与 [`audit/findings/L4-010-realtime-vintages/primary_report.md`](audit/findings/L4-010-realtime-vintages/primary_report.md)。
- **M5-3/M5-4（L4-011，2026-11-17）**：L4 的 LLM 臂不再缺席——**两个场景各一个五种子 LLM 面板**（macro 实时 vintage 17 主体/6 LLM × us_1981q3/us_2008q4；ultimatum_architecture multi_agent 10 LLM 主体）共 10 + 25 = 35 runs，全部 generation 签名 + verify pass + compliance pass + fallback 0；模型身份覆盖 **2 个后端 × 5 个身份**（MiniMax-M3.1-Flash / M3 / M2.7；deepseek-flash / deepseek-v4-pro）。判定 **`l4_011_llm_arms_supported`**：H1 技术门禁达成；H2 身份敏感性达成——池化种子噪声 0.013036，最大身份差 0.0300（CI [−0.0433,−0.0167]）为噪声的 2.30×，η² identity 0.5083 / backend 0.4631。**这只证明 LLM 臂可运行、可签名、可跨后端比较，不构成外部效度或 Level 3/4 证据**；身份差异是敏感度描述、不作能力排名；macro LLM 的预测评分只作描述且 gdp skill 仍为负（−3.2767）。两处呈现问题（两两表 gap 列取绝对值 vs CI 用有符号差；macro du 描述评分因未从失业率水平差分而为 n=0）已发勘误、未改冻结脚本。详见 [`docs/LIVE_RUNS.md`](docs/LIVE_RUNS.md) §1ai 与 [`audit/findings/L4-011-llm-arms.md`](audit/findings/L4-011-llm-arms.md)。
- **M5-5（失败模式登记与 claim ledger，2026-11-17）**：中央 claim ledger 从 20 条扩到 **26 条**（新增 6 条 L4 实时预测 claim：L4-010 设计达标、L4-010 校准/技能 `not_supported`、L4-011 LLM 臂技术门禁 `supported`、L4-011 身份敏感性 `supported`、L4-011 macro 描述评分、L4-011 冻结与勘误纪律），statuses = supported 6 / partial 4 / not_supported 7 / descriptive 2 / engineering 6 / unverified 1；`python scripts/claim_ledger.py --check` → **OK claims=26**。台账明确登记未达成项：M5-2（L4-010 校准与技能）、G4 外度门禁（L1 2/3、L2 1/3、L3 1/4、L4 Level 2 未达成），并声明**不得宣称 Level 3/4 或外部效度**。产物 [`docs/CLAIM_LEDGER.md`](docs/CLAIM_LEDGER.md) 与 [`audit/findings/claim_ledger.json`](audit/findings/claim_ledger.json)。
- **M6-1/M6-3（state-diff 闭合与完整重放，2026-11-18）**：内核新增 per-period material-state 链（period、material/ledger/stocks/public/scenario_state 五个 hash 与交易/库存流/事件计数），并把它写成 **hard compliance 检查**：任意相邻期的 material 变化必须由同期 ledger 交易、stock flow 或非 observer 事件闭合，否则 run 不通过；`World.material_state` 显式排除时钟与 agent 私有状态。重放侧新增 `period_state_hashes` 逐项比较。审计结果：**100 个 current run 影子 state-diff 审计 0 违规**，**100/100 rule/mechanism run 完整重放 pass 且 per-period 链逐项复现、0 结构/覆盖违规**（20 场景 × 5 seeds，`runs/m6_replay_panel`）。这只证明世界状态与会计因果可重放，**不重放 LLM 私有记忆，也不是经济结论**。详见 [`docs/prereg/M6-REPLAY-AUDIT.md`](docs/prereg/M6-REPLAY-AUDIT.md)、[`audit/findings/M6-1-state-diff-replay-audit.md`](audit/findings/M6-1-state-diff-replay-audit.md) 与 [`audit/findings/M6-3-replay-audit.md`](audit/findings/M6-3-replay-audit.md)。
- **M6-2/M6-4/M6-5（laws-as-agents 评估、L5 阻断与 ACE 再审计，2026-11-18）**：M6-2 **未达成**——macro v10 已把劳动目标/匹配/结算的一部分搬进 market agent 的 `set_targets`/`clear`，但生产、税、价格指数等法则仍在 `MacroScenario` 方法里，24 个场景同构，且无 institution/law registry；迁移估计 15–20 人日、会使现有 1,067 run 与带链面板作废，故本轮如实记为 PARTIAL 并给出分阶段方案（[`audit/findings/M6-2-laws-as-agents-assessment.md`](audit/findings/M6-2-laws-as-agents-assessment.md)）。M6-4 **blocked**：L4-010 为 `l4_010_not_supported`、M5-2 参数重校准评估为 negative，L5 Gate 0 未过，只更新 scoping 文档、不写训练代码。M6-5 **ACE 再审计**从 3 PASS / 4 PARTIAL 提升为 **5 PASS / 2 PARTIAL / 0 FAIL**（MP1/MP2/MP3/MP4/MP6 PASS，MP5/MP7 PARTIAL），仍低于 G5 的“≥6 PASS + laws-as-agents”，**G5 不通过**；claim ledger 扩到 **31 条**（新增 5 条 M6 claim）。详见 [`docs/ACE_SEVEN_PRINCIPLES_AUDIT.md`](docs/ACE_SEVEN_PRINCIPLES_AUDIT.md) §10。
- 宏观第一版用 `max_tokens=2048` 时有 3/6 次被 reasoning 截断并触发 repair（9 calls / $0.0236）；按预注册提高到 4096 重跑后为 6 calls / $0.0100——**reasoning 预算是 M3.1 的主要成本陷阱**，已写进 [`docs/LIVE_RUNS.md`](docs/LIVE_RUNS.md) §2 与 §5。
- 5 个种子上报价份额全部是 0.50、接受率 100%，**种子间方差为 0**；这恰是“单模型 × 单 prompt × 3 期重复”的行为样本，不能外推为“LLM 都这样”，也不能做机制归因。
- 每决策约 1,441 tokens（含 reasoning），约 $0.00035/次；`llm_calls.jsonl` 的 finish_reason/usage/cached_tokens 齐全，本次无长度截断。
- 预注册与执行记录见 [`docs/prereg/`](docs/prereg/)（LIVE-001 最后通牒 5 seeds、LIVE-002 宏观 smoke、LIVE-003 工具臂、LIVE-005 记忆探针）。每次运行都有 config_hash、initial_state_hash、evidence hash chain 与 artifact 级 verify。

> `runs/` 下全部 run 都通过 artifact 级 `verify`（截至 2026-10-29：原 41 个 mock/rule + 12 个新格式 live + 24 个记忆轴 mock 运行）。**修复前的 3 个 live run 已移到 [`archive/legacy_live_runs/`](archive/legacy_live_runs/README.md)**，标为 legacy（exit 3），其旧 compliance 自报不能当作新证据。报告第 6 节会把本次报价 0.50 与人类区间 0.40–0.50 对照（判为区间内），但方差/相关结构仍未识别。

> 研究纪律：报告里的“均值”不是结论。先看方差分解和核验，再看处理组差异；单一 seed 的差异一律不作机制解释。

![Live M3.1 ultimatum report](docs/images/ultimatum_live_report.png)

---

## 3. 为什么它不是“给 LLM 出一道题”

项目以 ACE 七条原则为**设计目标**，并尽量把它们变成结构约束。下表是设计对应关系，不代表七条原则已全部满足；当前通过的是结构核验（`ComplianceChecker`），不是 c-ABM 合规证明。审计发现的边界与修复状态见 [`docs/AUDIT_MP1_MP7.md`](docs/AUDIT_MP1_MP7.md) 与 [`docs/FIXES.md`](docs/FIXES.md)（修复记录，Lead 维护）；**2026-11-09 修复后再审计**（416 run / 0 FAIL / 3 PASS / 4 PARTIAL）见 [`docs/ACE_SEVEN_PRINCIPLES_AUDIT.md`](docs/ACE_SEVEN_PRINCIPLES_AUDIT.md)；**2026-11-18 M6 再审计**为 1,067 run / 0 FAIL / 5 PASS / 2 PARTIAL（MP5/MP7 PARTIAL，G5 未通过，见同文 §10）。

| 原则 | 工程落点 |
|---|---|
| MP1 主体定义 | 任何能通过 `Action` 改变世界轨迹的软件实体都是 agent；每个事件必须声明 provenance（action / mechanism / environment / observer），action 事件绑定 `actor_id + action_id` |
| MP2 主体范围 | 家庭、企业、政府、央行、市场/拍卖者、冲击过程都可以是 agent |
| MP3 局部建构性 | agent 只收到 `Observation`（自己的状态 + 公开信息 + 收件箱）；`AgentContext` 不带 `world`/`recorder`，语义校验只接收 `SemanticView` 纯快照。Python 插件仍是可信代码，不是沙箱 |
| MP4 自主性 | 每期行动由当期主体状态集合决定（phase 开始时统一构建 Observation 快照）；工具调用不算行动 |
| MP5 系统建构性 | 状态变化由 scenario 的 transition function 在 agent action 的 handle 内应用；期初注入/结算由持久 mechanism agents 的 action 触发；内置场景无 environment 事件，所有变化归因到 action/mechanism |
| MP6 历史性 | 所有事件、交易、行动 append-only 记录；period>0 的交易/商品流链接 `event_id`；审计前冻结证据副本并计算 hash chain；账本可独立 replay |
| MP7 培养皿实验者 | 配置 hash 期末比对、初始状态 hash 记录在案；finalize 不得改动证据；compliance fail 视为 run 失败（runner 门控） |

两条不变式：

1. **主体不得直接读取其他主体内部状态**；一切跨主体信息经 environment 的 message bus。API 不再把 `World`/`recorder` 交给 policy，但这只是 API 边界，不是安全沙箱。
2. **状态更新由 kernel 调度的 scenario 转移函数完成**；agent 只表达 action，不写账本、不改别人状态。生命周期钩子（`begin_period` / `after_phase` / `end_period` / `finalize`）只能执行**显式声明**的 mechanism / environment 机制，并必须带对应 provenance——environment 事件的 kind 必须在 `scenario.environment_events` 中声明且 payload 含 `rule`。

价格约束尤其重要：内核和 scenario 不允许写“市场出清价”。价格只能来自
- 企业 agent 的 `price_set`，
- 市场/拍卖者 agent 的 `clearing` / `trade`，
- 或央行 agent 的 `policy_rate`。

由 environment 机制产生的 `clearing_price` / `trade` 事件必须有 environment provenance、`source=None`，并通过 `price_ref` 指向同一期由 agent 发出的 `price_set`。`ComplianceChecker` 的 `prices_emerge_from_agents` 与 `event_provenance` 检查这些规则；无主体来源的 `equilibrium_price` / `market_clearing_price` / `externally_set_price` 直接 fail。

---

## 4. 五层架构

```
┌──────────────────────────────────────────────────────────────┐
│ 5. 实验与记录层  runner / treatments / seeds / reports       │
├──────────────────────────────────────────────────────────────┤
│ 4. 观测与校验层  Observation / Recorder / Compliance / Replay│
├──────────────────────────────────────────────────────────────┤
│ 3. 主体运行时层  Agent × Policy × Memory × Tools × Provider  │
├──────────────────────────────────────────────────────────────┤
│ 2. 制度与市场层  Ultimatum / PublicGoods / Auction / Exchange│
│                  / Macro (gov, central bank, matching)       │
├──────────────────────────────────────────────────────────────┤
│ 1. 世界资源层    Ledger（复式记账） / StockBook（商品守恒）  │
└──────────────────────────────────────────────────────────────┘
```

插拔只允许发生在层间接口：

- **世界模块**：市场机制、制度、空间/网络
- **主体认知组件**：后端、配置/persona、记忆、工具
- **实验配置**：主体清单与数量、处理因子、种子

不要在单个主体的业务逻辑里插拔；那会破坏两条不变式。

详细契约见 [`docs/ARCHITECTURE.md`](docs/ARCHITECTURE.md) 与 [`docs/PLUGINS.md`](docs/PLUGINS.md)；完整配置字段见 [`docs/CONFIG.md`](docs/CONFIG.md)。

---

## 5. 主体：数量、存在性与复杂程度

一个 agent 由 `type + role + policy + persona + memory + tools + params` 定义。`count` 可为 0（关闭配置主体；scenario setup 自动创建的 mechanism agents 不受 `count` 控制，见 §13），也可以在同一实验里混用不同复杂度：

```yaml
agents:
  - id: buyer
    type: auction_trader
    role: buyer
    count: 3
    complexity: 0          # 0 zero-intelligence, 1 rule, 2 LLM, 3 LLM+tools
    policy: {kind: zero}
  - id: seller
    type: auction_trader
    role: seller
    count: 3
    policy:
      kind: llm
      persona: {name: "Northstar", risk_aversion: 0.6}
      memory: {kind: buffer, max_items: 5}
      tools: [calculator, history_stats]
```

四条异质性轴（与上传方法论一致）：

| 轴 | 档位 |
|---|---|
| 配置轴 | persona、禀赋、收入组、风险/时间偏好、行为规范 |
| 认知轴 | 不同后端、thinking/思维强度、温度、知识消融 |
| 记忆轴 | none / buffer / window / salient；clear/shuffle/placebo 忠实度探针已实现并有 mock 管线验证（`runs/ultimatum_memory_*`，探针判定脚本 `scripts/memory_probe.py`）；真实 LLM 记忆证据待跑 |
| 存在性轴 | zero / rule / LLM / LLM+tools，各自 n 从 0 到 N |

`knowledge: full | ablated | minimal` 是显式处理因子：ablated 会在 system prompt 中禁止使用经济学教科书知识，把“预训练污染”从隐藏假设变成可比较的对照组。

---

## 6. 内置场景

| 场景 | 覆盖 | 关键指标 | 人类/理论基准 | 层级 |
|---|---|---|---|---|
| `ultimatum` | 最后通牒、重复博弈、公平/互惠 | offer share, acceptance, surplus | Güth 1982；Camerer 2003 | L1–L2 |
| `binary_ultimatum` | 二元选择最后通牒、揭示顺序 | proposer reveal rate, offer share, acceptance | Güth 1982；Camerer 2003 | L1 |
| `ultimatum_architecture` | 单控制器 vs 多主体协议架构 | offer share, acceptance, 架构差异 | Sreedhar 2024（架构对照，非复现目标） | L1 |
| `public_goods` | 公共品、惩罚、条件合作 | contribution share, decay slope, punishment | Fehr & Gächter 2002 | L1–L2 |
| `double_auction` | CDA、统一价格拍卖、市场设计 | efficiency, CE deviation, price dispersion | Smith 1962 | L1–L2 |
| `exchange` | Varian 交换、均衡、福利 | CE price, excess demand, efficiency ratio | Varian ch. 5–6, 16, 31–33 | L2–L3 |
| `macro` | 家庭、企业、政府、央行、搜寻匹配、冲击 | output, inflation, unemployment, Okun/Phillips/Beveridge；SFC 残差（央行贷款） | Mankiw 宏观章节；ABIDES-Economist | L3 calibrated skeleton |
| `engel` | 双商品（necessity/luxury）、收入异质、Stone-Geary 偏好、拍卖者调价 | necessity 份额、分位份额、份额-收入斜率、收入弹性 | Engel 1857；Deaton & Muellbauer 1980（rule 臂为构造对照，LLM 臂为行为检验） | L2–L3 |
| `normal_form_game` | 声明式 2×2 收益矩阵：囚徒困境 / 猎鹿 / 协调 / 性别战；同时决策 + 裁判结算 | cooperation_rate, action_counts, surplus, efficiency | Axelrod 1984；Camerer 2003；Dal Bó & Fréchette 2011 | L1 |
| `second_price_auction` | 密封投标二价（Vickrey）拍卖；估值阶梯可配；最高价赢、付第二高价 | truthful_rate, overbid_rate, efficiency, revenue | Vickrey 1961；Kagel & Levin 2002；Cooper & Fang 2008 | L1 |
| `trust_game` | 重复信任/投资博弈；投资者转出、乘数放大、受托人返还；两对主体 | mean_transfer_share, mean_return_share, efficiency | Berg, Dickhaut & McCabe 1995；Johnson & Mislin 2011 | L1 |
| `dictator_game` | 重复独裁者博弈；独裁者单方分配、接受者完全被动；匿名结构 | mean_give_share, positive_give_rate, payoffs | Forsythe et al. 1994；Engel 2011；Camerer 2003 | L1 |
| `matching_deferred_acceptance` | 两侧匹配市场；双方提交严格排名，机制主体运行 Gale-Shapley 提议方主动 DA；真实偏好私人 | truthful_rate, stability_rate, match_rate, efficiency | Gale & Shapley 1962；Dubins & Freedman 1981；Roth 1982/2008 | L1 |
| `english_dutch_auction` | 升价（English）/降价（Dutch）时钟拍卖；策略以提交 drop-out / 接受阈值表达；tick 可配 | efficiency, revenue, truthful_rate, overbid_rate, 二价收入缺口 | Vickrey 1961；Kagel & Levin 2002；Coppinger, Smith & Titus 1980 | L1 |
| `asset_market_bubble` | 随机股息有限期资产市场；股息 {0,100,200} 均匀抽取，统一价格集合竞价，基本面价值公共已知 | price_fundamental_ratio, price_above_fundamental_rate, max ratio, volume, volatility | Smith, Suchanek & Williams 1988（理论点 1.0）；Palan 2013 | L1 |
| `coase_property_rights` | 双边污染外部性科斯谈判；两种产权归属（工厂生产权 / 农民清洁权）、提议-回应-执行三阶段、完全信息 | bargaining_efficiency, agreement_rate, production_rate, 双方累计收益 | Coase 1960；Hoffman & Spitzer 1982；Cason & Plott 1996（理论点 1.0） | L1 |
| `intertemporal_consumption` | 5 期消费-储蓄；常数收入、零利率、不可借贷；处理组在未宣布的第 2 期收到一次性 500 分收入 | mpc_windfall, cumulative_response, mpc_average_after_windfall, final cash, 未消费份额 | Jappelli & Pistaferri 2010；Parker et al. 2013；Souleles 1999（人类 MPC 宽泛区间；理论完美平滑点 0.25） | L1 |
| `information_cascade` | 二元状态序贯决策；私人信号准确率 0.7，玩家按 id 顺序公开猜测，两条同向公开决策构成级联 | cascade_follow_rate, accuracy, signal_agreement_rate, cascade_decision_share, total_payoff | Anderson & Holt 1997；Banerjee 1992；Bikhchandani, Hirshleifer & Welch 1992（级联跟随理论点 1.0） | L1 |
| `adverse_selection` | 旧车市场（柠檬市场）；自然抽车况，卖家挂牌、买家序贯购车；不完全信息 vs 完全信息两臂 | good_sold_rate, efficiency, bad_sold_rate, quality_sold_share, trade_rate, mean_price | Akerlof 1970；Lynch, Miller, Plott & Porter 1986；Kagel & Levin 2001（理论极端：好车退出 0.0） | L1 |
| `ad_as` | 单一商品 AD-AS 闭环：企业定价+生产、家庭消费需求、政府购买（需求冲击臂）、生产率冲击（供给冲击臂）、市场机制按比例清算 | mean_price, mean_output, 冲击窗口均值、通胀、超额需求 | Mankiw AD-AS；Varian 教材口径；**方向由预注册配对差检验，不是文献区间** | L3 |
| `expectation_formation` | 学习型通胀预期闭环：cobweb 反馈、5 名预测者按外推/锚定规则逐期提交预测、market 机制按规则结算；处理臂切换预测规则混合 | mean_abs_forecast_error, mean_forecast_bias, forecast_dispersion, realized inflation；alpha_hat 由分析脚本逐 run 估计 | Evans & Honkapohja 2001；Hommes 2011；Mankiw 2020（**方向由预注册配对差检验，不是文献区间**） | L3 |
| `open_economy` | 小型开放经济：本国家庭消费/进口、外国部门出口需求、厂商固定价格生产与市场结算；名义汇率处理臂（baseline 1.00 / 贬值 1.10 / 升值 0.90）自第 3 期生效，Marshall-Lerner 方向检验 + SFC 恒等式残差 | mean_trade_balance, mean_exports, mean_imports, window_mean_trade_balance, identity_residual_max, savings_gap_max | Mankiw 2020；Blanchard 2017；Krugman, Obstfeld & Melitz 2018（**方向由预注册配对差检验，不是文献区间**） | L3 |
| `growth_model` | 增长模型：索洛闭环，家庭按外生储蓄率积累资本、厂商按生产函数产出、技术冲击 AR(1)；储蓄率处理臂（baseline 0.20 / low_saving 0.10 / high_saving 0.30）× 80 期，检验稳态收敛与储蓄率比较静态 | mean_output, final_output, mean_capital, final_capital, convergence_ratio, mean_output_growth, theoretical_steady_state_capital_cents | Solow 1956；Romer 2019；Mankiw 2020；Barro & Sala-i-Martin 2004（**比较静态与收敛由预注册配对差/斜率检验，不是文献区间**） | L3 |
| `banking_money` | 银行与货币创造：央行设定准备金率、家庭在现金/存款间配置、银行按超额准备金放贷、市场机制结算；三臂 baseline rr=0.10 / tight rr=0.20 / no_bank（整表移除银行主体，可插拔性控制）× 20 期，检验货币乘数与会计恒等式 | mean_money_multiplier, window_money_multiplier, mean_currency, mean_deposits, mean_reserves, mean_money_supply, mean_loan_issued, base_money_identity_residual_max, bank_balance_identity_residual_max | Samuelson 1948；Tobin 1963；Blanchard 2017；Mankiw 2020（**乘数上界 (1+c)/(rr+c) 是会计性质、no_bank 是构造控制；差异由预注册配对检验**） | L3 |
| `public_debt` | 公债与李嘉图等价闭环：家庭跨期消费、政府按冻结税表/发债融资、债券市场惰性持有；处理臂 financing={tax,debt} × household_rule_mix={mixed,ricardian}，未宣布第 3–6 期收入冲击后检验债务融资的消费反应与前瞻家庭的反应 | mean_consumption, window_mean_consumption, max_debt, mean_taxes, mean_interest, debt_identity_residual_max, cash_conservation_residual_max | Barro 1974；Ricardo 1817；Mankiw 2020（**方向由预注册配对差检验，不是文献区间**） | L3 |
| `io_market_structure` | 产业组织市场结构对照：完全竞争 / 异质成本行业供给 / 垄断 / 古诺寡头 / 伯特兰价格竞争 / 三级价格歧视；rule 基线按结构解析求解，输出 CS/PS/TS/DWL | price, quantity, consumer_surplus, producer_surplus, total_surplus, deadweight_loss | Varian ch. 22–25、27；Tirole 1988（解析基准、rule 构造对照，不是人类行为复现） | L1 |
| `second_welfare_theorem` | 第二福利定理闭环：规划者提交一次性转移、市场机制求竞争均衡、检验目标配置是否可被价格支撑；两主体 Cobb-Douglas 解析基准 | distance_to_target, supported, price, utility_a, utility_b | Varian ch. 31、33；Mas-Colell, Whinston & Green 1995（解析基准，rule 构造对照） | L1 |

> **M2-001 首个正式预注册结果（2026-11-16）**：囚徒困境 5 seeds 的 LLM 合作率均值 0.0700（95% bootstrap CI [0.0500, 0.0900]），低于人类宽泛区间 [0.30,0.60]，判定 **h0_retained**（比人类更接近纯自利均衡）；另三个矩阵仅作探索性报告（猎鹿 0.61 跨 seed 不稳定、协调/性别战 1.00 天花板）。20/20 run compliance+verify 通过、成本 418 calls / USD 0.2263。明细见 [`audit/findings/M2-001-analysis.md`](audit/findings/M2-001-analysis.md)。

> **M2-002 二价拍卖预注册结果（2026-11-16）**：5 seeds 的 LLM 真话率均值 0.8300（95% bootstrap CI [0.7700, 0.8900]），落在人类宽泛区间 [0.30, 0.95] 内，判定 **h1_supported**；分配效率均值 0.95（CI [0.91, 0.99]，不低于预注册下限 0.90），过度出价率 0.13。5/5 run compliance+verify 通过、成本 122 calls / USD 0.1065。明细见 [`audit/findings/M2-002-analysis.md`](audit/findings/M2-002-analysis.md)。

> **M2-3~M2-12 十个 micro 场景 LLM 结果（2026-11-17）**：十个场景按同一验收样板落地（场景 + 双基准 + 预注册 + rule 基线 + LLM 5 seeds + 分析脚本 + 测试 + UI/ODD/docs），全部使用 MiniMax-M3.1-Flash-Preview live 并签名 `model_version`。主判定按预注册口径（bootstrap 95% CI），**不得**把 mixed_weak / design_inadequate 当作行为确认。
>
> | 场景（实验） | 主指标（人类/理论基准） | LLM 结果（95% CI） | 判定 | 调用 / 成本 |
> |---|---|---|---|---|
> | `public_goods_punishment`（M2-003） | late_share 配对差 ON−OFF（人类 [0.10,0.70]） | 惩罚 0.6050 vs 无惩罚 0.4833；差 0.1217 [0.0692,0.1642] | h1_supported | 946 / USD 1.2436 |
> | `trust_game`（M2-004） | mean_transfer_share（人类 [0.30,0.60]） | 0.3903 [0.2033,0.6210]；返还 0.5136 [0.4467,0.5805] | mixed_weak | 144 / USD 0.1655 |
> | `dictator_game`（M2-005） | mean_give_share（人类 [0.10,0.45]） | 0.2500（5 seed 全同值，sd=0） | design_inadequate | 50 / USD 0.0164 |
> | `matching_deferred_acceptance`（M2-006） | truthful_rate（理论点 1.0） | 0.9222 [0.8667,0.9667]；stability 0.8667 | mixed_weak | 121 / USD 0.1212 |
> | `english_dutch_auction`（M2-007） | efficiency（两臂 CI 下界 ≥0.90） | english 1.0（ceiling）/ dutch 0.9950 [0.9850,1.0] | mixed_weak（两臂不一致） | 252 / USD 0.2158 |
> | `asset_market_bubble`（M2-008） | price/fundamental ratio（理论点 1.0） | 1.2000 [0.6000,1.8000]；above_rate 0.4 | consistent_with_fundamental | 140 / USD 0.1804 |
> | `coase_property_rights`（M2-009） | bargaining_efficiency（理论点 1.0） | factory 0.9600 [0.8800,1.0]；farmer 1.0（ceiling） | mixed_weak（两臂不一致） | 236 / USD 0.1732 |
> | `intertemporal_consumption`（M2-010） | mpc_windfall（人类 [0.05,0.60]） | −0.3300 [−0.8850,0.1050]；结构 gate 失败 | design_inadequate | 118 / USD 0.1088 |
> | `information_cascade`（M2-011） | cascade_follow_rate（理论点 1.0） | 0.9633 [0.9233,1.0000] | h1_supported | 139 / USD 0.1262 |
> | `adverse_selection`（M2-012） | 配对差 good_sold_rate（文献描述性 [0.0,0.8]） | incomplete 0.1167 vs full 0.4550；差 −0.3383 [−0.5300,−0.1333] | h1_supported | 294 / USD 0.3880 |
>
> 十个实验合计约 **USD 2.74**（M2-003 占 946 calls / USD 1.2436；含 1 次 HTTP 529 后的 `no_punishment__s5` 补跑）。读法：M2-005 与 M2-010 的 design_inadequate 是**设计与跨 seed 方差问题**（不是"没有效应"的证据）；M2-007/M2-009 的 mixed_weak 来自两臂不一致或天花板；所有 LLM 结果只覆盖单后端/单温度/提示下的 5 seeds，不能外推为人类基准复现。M2-012 的 full 臂 s4 曾因 LLM 提交已被请求的车况而崩溃：已把 scenario 级 `validate_action` 接进 policy repair 校验（`World._policy_validator`，见 `econlab/kernel.py` 与 `tests/test_kernel_validator.py`），补跑后 10/10 run 通过。明细见 `audit/findings/M2-00x-analysis.md` 与 `docs/ROADMAP.md` 的 M2 实施状态。
>
> **M3-1 劳动市场修复结果（MACRO-M3-001，2026-11-17）**：新生成 `macro-v10-output-labor-demand` 修复 v9 的模型内失业陷阱（v9 冻结基线 5-seed `mean_unemployment` 0.18575，远超验收带）。v10 三处机制：firm `desired_employment = max(v9 递归值, desired_output / max(0.5, labor_productivity))`（输出/库存劳动需求通道）、分离取整改为 floor + Bernoulli 随机化、被分离者一期搜索滞后。冻结后 `--force` 重跑 5 seeds × 80 期 rule/mechanism 基线：逐 seed `mean_unemployment` 0.1000 / 0.08375 / 0.07125 / 0.10375 / 0.08500，**5-seed 均值 0.08875（8.875%），sd 0.0132、95% bootstrap CI [0.0790, 0.0985] → `h1_supported`**（落在 M3-1 验收带 [3%, 10%]；s4 单 seed 10.375% 微超上界，如实报告）；mean_output 10.25–10.74、季度通胀 +0.51% 至 −1.29%。事件契约：`price_set` / `labor_targets_set` 扩展 firm 意愿字段 + 新增 `labor_target_realized`（target / separations / layoffs / current_after / vacancies），5/5 run 每期 3 家全量通过恒等式与 gap 检查；H3 v9/v8 显式 pin 各 5 seeds 逐位回归 `regression_verified`（10 runs、0 metric mismatch、max series abs diff 0.0）；H4 Okun/Phillips 符号方向仅描述。冻结前后数值逐位一致。这是**模型内验收**，不是现实校准、因果效应或预测。预注册 [`docs/prereg/MACRO-M3-001-v10-labor-market.md`](docs/prereg/MACRO-M3-001-v10-labor-market.md)，明细见 [`audit/findings/M3-001-v10-labor-analysis.md`](audit/findings/M3-001-v10-labor-analysis.md)。
>
> **M3-2 模拟面板 Phillips 斜率估计（MACRO-M3-002，2026-11-17）**：把 macro 规则里写死的 `price_phillips=0.50` / `wage_phillips=0.80` 升级为**可从模型自身 panel 估计的 reduced-form 投影量**。冻结面板 `configs/macro_phillips_estimation.yaml` = macro v10、80 期 × 全新 seeds 11–20、参数与 v10 迁移完全一致、`world.treatment=neutral_control`、0 budget；10/10 run verify + evidence gate 通过（current 197/197）。估计量：within-seed FE OLS + seed-cluster CR1 标准误 + 整 seed bootstrap（10,000 次）95% CI，控制 demand/productivity shock。**价格斜率 −0.07339（95% CI [−0.09198, −0.05168]，within R² 0.265）；工资增长斜率 −0.13640（95% CI [−0.15713, −0.10924]，within R² 0.439）；符号均为负、CI 排除 0 → 合并判定 `h1_supported`**；逐 seed 与 leave-one-seed-out 符号稳定，二次运行逐字节一致。**边界**：两个斜率是内嵌建模假设在模型自身数据上的投影（衰减比 0.147 / 0.170，来自部分调整/上下限/指数化），**不是结构参数、不是经验 Phillips 曲线、不是外部证据**；估计脚本纯读 artifact、未改 `macro.py`（v10 sha 保持 M3-1 冻结值），成本 0。预注册 [`docs/prereg/MACRO-M3-002-phillips-slope.md`](docs/prereg/MACRO-M3-002-phillips-slope.md)，明细见 [`audit/findings/M3-002-phillips-estimation.md`](audit/findings/M3-002-phillips-estimation.md)。

> **M3-3 AD-AS 总需求—总供给方向检验（MACRO-M3-003，2026-11-17）**：新增独立场景 `ad_as`（不改 `macro.py`，保住 M3-1/M3-2 冻结 sha）：单一商品、企业每期定价并生产、家庭按实际工资与价格提交消费需求、政府购买商品（需求冲击臂）、shock agent 抽生产率（供给冲击臂）、市场机制按比例清算；10 期、冲击从第 3 期起、3 臂（baseline / demand 政府支出×1.5 / supply 生产率×0.90）× seeds 1–5 配对，窗口 periods 3–10 的均值差 + 整 seed bootstrap（10,000 次）95% CI。结果：demand 臂 **产出 +235.88（CI [229.83,243.73]）、价格 +5.13（CI [4.73,5.53]）**；supply 臂 **产出 −219.00（CI [−225.78,−213.45]）、价格 +8.68（CI [8.45,8.90]）**，四个对比逐 seed 同号（5/0 或 0/5）、CI 全部排除 0 → **`h1_supported`**（需求冲击产出↑价↑、供给冲击产出↓价↑，符合教科书符号）。15/15 run compliance+verify pass、`calls=0`、成本 **USD 0**，二次分析逐字节一致。**边界**：这是模型内 reduced-form 方向检验，不是现实识别、因果或校准；幅度是冻结参数集（成本凸性/部分调整/实际工资消费规则）的属性，不是校准目标。框架扩展：场景可用类属性 `price_agent_kinds` 声明本场景合格价格主体（`ad_firm`；注册键全局唯一使新场景不能复用 `macro` 的 `firm`），compliance 将它与默认白名单取并集，只放开价格主体资格。预注册 [`docs/prereg/MACRO-M3-003-ad-as.md`](docs/prereg/MACRO-M3-003-ad-as.md)，明细见 [`audit/findings/M3-003-ad-as.md`](audit/findings/M3-003-ad-as.md)。
>
> **人类/理论基准已数据化**：报告第 6 节把模拟均值与带来源的文献区间/符号先验做自动对照（`econlab/analytics/benchmarks.py`，6 场景 11 条），并显式标注**未识别**的量（人类方差、跨指标相关结构、参考 sd、p 值一律不编造）。**方差/相关结构入口已实现**：通过 `ECONLAB_BENCHMARKS` 注入带来源的分布（个体级或组级）或相关系数（`distribution`/`summary`/`correlations`/`joint_observations`），报告自动增加 sd 比、标准化均值差、分位 Wasserstein-1、相关差；示例见 [`examples/benchmarks/ultimatum_human_example.json`](examples/benchmarks/ultimatum_human_example.json)（**synthetic，仅演示格式，不是人类数据**）。免费数据源的调研与核验清单（OSF/Zenodo/AEA/Mendeley/RePEc 等 + 已核验数据线索 + 检索式 + 导入器）见 [`docs/L1_DATA_SOURCES.md`](docs/L1_DATA_SOURCES.md)；`python scripts/import_human_benchmarks.py` 可把 CSV 转成合规 benchmark JSON。仓库随附一份经转换的**真实人类公共品组级基准**（Dannenberg et al. 2019，Zenodo DOI 10.5281/zenodo.2594793，CC-BY-4.0；76 组 / 380 人 / 1900 观测，Game A phase 1）：`data/human_benchmarks/public_goods_dannenberg2019.json`，用 `ECONLAB_BENCHMARKS` 注入后报告会自动出 6 指标方差/分位 W1/相关对照；原始个体数据与 `data/human_raw/` 不随仓库分发。另内置一份**真实公共宏观参考**：`data/human_benchmarks/macro_us_annual_reference.json`（World Bank 美国年度序列，Okun/Phillips 滚动窗口均值+sd，明确标注年度 vs 季度口径差异），报告会自动出 sd 比/标准化均值差，结果与边界见 [`docs/REAL_DATA_BENCHMARKS.md`](docs/REAL_DATA_BENCHMARKS.md)。口径见 [`docs/BENCHMARKS.md`](docs/BENCHMARKS.md)。

> **M3-4 预期形成：外推式与锚定式预测规则的误差与模型内锚定（MACRO-M3-004，2026-11-17）**：新增独立场景 `expectation_formation`（不改 `macro.py`）：cobweb 型通胀反馈 π_t = clamp(intercept + φ·mean_forecast + innovation)，5 名预测者每期按自身风格提交预测（外推式 prev+λ(prev−prev2) / 锚定式 w·target+(1−w)·prev），market 机制按规则结算；10 期、3 臂（baseline = 3 外推 + 2 锚定 / adaptive = 全外推 / anchored = 全锚定且 anchor_weight 覆盖为 0.8）× seeds 1–5 配对。两个主指标都是预注册配对检验：**H1 预测误差排序**（adaptive−anchored 的 mean_abs_forecast_error 配对差 > 0）与 **H2 模型内锚定强度**（逐 run 的 alpha_hat = mean_forecast 对目标缺口的无截距斜率；anchored−adaptive > 0）。结果：**H1 误差差 +0.0471（95% CI [0.0231, 0.0710]，5/0 为正）；H2 锚定强度差 +0.9402（95% CI [0.9066, 0.9659]，5/0 为正）→ 合并判定 `h1_supported`**；anchored 臂 alpha_hat 均值正好恢复 0.8000（每个 seed 同值），adaptive 臂为负（−0.1402），因为外推动量对目标缺口是反向加载——这正是 H2 采用跨臂排序而非单臂水平的原因。15/15 rule run compliance+verify pass、`calls=0`、成本 **USD 0**，分析脚本两次运行逐字节一致。**边界**：模型内 reduced-form 检验；alpha_hat 只是对假设规则参数的 recovery，**不是经验锚定、不是理性预期检验**；误差幅度差是所设规则与噪声水平的属性，不是校准目标。另附 **LLM 臂**（`configs/expectation_formation_llm.yaml`，5 个带 persona 的 LLM 预测者，逐 run 预算 0.60 USD / 400 calls；**描述性对照，不参与判定**）：5/5 run 完成并 verify pass（首次 s3 遇 provider HTTP 529 后删除失败目录 `--resume` 补跑；合计 628 calls / USD 0.6371）；误差均值 **0.2891**（sd 0.0506，介于 baseline 0.2943 与 adaptive 0.2740 之间、高于 anchored 0.2270），alpha_hat 均值 **0.1329**（sd 0.0597，远低于 anchored 的 0.8000），平均偏差 −0.0085。该臂只说明「LLM 预测者在同一规则环境里没有自发恢复锚定权重」，不是模型能力排名、不是理性预期检验。预注册 [`docs/prereg/MACRO-M3-004-expectation-formation.md`](docs/prereg/MACRO-M3-004-expectation-formation.md)，明细见 [`audit/findings/M3-004-expectation-formation.md`](audit/findings/M3-004-expectation-formation.md)。
> **M3-5 开放经济：汇率处理臂、贸易余额与 SFC 恒等式（MACRO-M3-005，2026-11-17）**：新增独立场景 `open_economy`（不改 `macro.py`）：本国家庭每期消费者国内商品与进口品（q = e·P*/P 下的替代与进口弹性）、外国部门按 q 提交出口需求、厂商按固定价格生产并付工资、市场机制按比例配给并逐笔结算；阶段顺序 announce → demand → export → produce → settle。10 期、3 臂（baseline e=1.00 / depreciation e=1.10 / appreciation e=0.90，均自第 3 期起生效）× seeds 1–5 配对；外国需求用 shock agent 的 AR(1) 因子（ρ=0.5、σ=0.05）驱动，同一 seed 三臂共享同一冲击路径。两个主指标都是预注册配对检验：**H1 贬值臂贸易余额上升**（depreciation−baseline 的 window trade balance 配对差 > 0）与 **H2 升值臂贸易余额下降**（appreciation−baseline < 0）。结果：**H1 +1,515.00（95% CI [1,470.00, 1,582.50]，5/0 为正）；H2 −1,547.50（95% CI [−1,620.00, −1,495.00]，0/5）→ 合并判定 `h1_supported`**；描述性渠道为贬值臂出口 +17.65、进口 −25.00，升值臂出口 −18.48、进口 +30.00，方向符合 Marshall-Lerner（η_import=0.9 + η_export=0.6 > 1）。**SFC 恒等式**（Δ 净国外资产 = 贸易余额、家庭部门现金变动 = 贸易余额）在 15/15 run 的整数账本上精确为 0（`identity_residual_max = savings_gap_max = 0`），并作为技术门禁。15/15 rule run compliance+verify pass、`calls=0`、成本 **USD 0**，分析脚本两次运行逐字节一致。**边界**：模型内 reduced-form 检验；汇率臂是 modeler 设定水平而非估计的政策效应，方向由假设弹性保证，恒等式是会计校验而非经验发现，5 seeds 的 cluster bootstrap 只描述该冻结配置的种子间变异。预注册 [`docs/prereg/MACRO-M3-005-open-economy.md`](docs/prereg/MACRO-M3-005-open-economy.md)，明细见 [`audit/findings/M3-005-open-economy.md`](audit/findings/M3-005-open-economy.md)。
> **M3-6 增长：储蓄率比较静态与索洛稳态收敛（MACRO-M3-006，2026-11-17）**：新增独立场景 `growth_model`（不改 `macro.py`）：4 个 rule/mechanism 主体（技术 shock agent 抽 AR(1) 生产力因子、家庭按 modeler 设定的储蓄率行动、厂商按 y = round(A·K^0.30·100^0.70) 生产、市场机制结算投资与折旧并积累资本），phase 顺序 tech → household → produce → settle；资本以「资本分」计，无货币账本现金流（库存账户 + produce/depreciate 流）。80 期、3 臂（baseline s=0.20 / low_saving s=0.10 / high_saving s=0.30）× seeds 1–5 配对；初始资本 400 分同时低于 baseline/high 稳态（724.58 / 1293.14）并高于 low_saving 稳态（269.18），因此三臂都在收敛过程中。两个预注册检验：**H1a 高储蓄臂末 20 期平均产出高于 baseline**（high−baseline 配对差 > 0）、**H1b 低储蓄臂低于 baseline**（low−baseline < 0）、**H2 稳态收敛**（每 run log 缺口对期数斜率 < 0 且合并 CFD 上界 < 0）。结果：**H1a +32.16（95% CI [32.01, 32.33]，5/5 正）；H1b −41.25（CI [−41.43, −41.06]，5/5 负）；H2 −0.0310（CI [−0.03154, −0.03035]，15/15 斜率为负）→ 合并判定 `h1_supported`**；arm summary 末资本 K/K* 为 1.0714（low）/ 0.9705（baseline）/ 0.9524（high），收敛半衰期 27.3 / 20.4 / 20.6 期。15/15 rule run compliance+verify pass、`calls=0`、成本 **USD 0**，分析脚本两次运行逐字节一致（json sha `4D796077…`、md sha `482B2B73…`）。**边界**：模型内 reduced-form 检验；储蓄率是外生参数，比较静态是生产函数与折旧率的算术后果，+32/−41 产出分是冻结参数与整数取整的函数，不是真实储蓄政策效应；稳态水平解析匹配是 plumbing 校验而非校准结果；5 seeds 的 cluster bootstrap 只描述该冻结配置的种子间变异。未做 Romer 内生增长、增长核算与 TFP 经验分解。预注册 [`docs/prereg/MACRO-M3-006-growth.md`](docs/prereg/MACRO-M3-006-growth.md)，明细见 [`audit/findings/M3-006-growth.md`](audit/findings/M3-006-growth.md)。
> **M3-7 银行与货币创造：准备金率、货币乘数与银行主体可插拔（MACRO-M3-007，2026-11-17）**：新增独立场景 `banking_money`（不改 `macro.py`）：8 主体（5 家庭、央行、银行、市场机制），phase 顺序 policy → allocate → lend（`optional=True`，no_bank 臂无主体也可跑）→ settle。央行按 modeler 设定提交准备金率 rr；家庭在现金与存款之间按目标现金比率 c 配置（c 由自身 base 与每期小噪声决定，clamp [0.01, 0.40]）；银行按 excess = reserves − round(rr·deposits) 放贷并均摊给家庭；市场机制结算并写会计恒等式（H = currency + reserves、M = currency + deposits、L = deposits − reserves）。20 期、窗口末 5 期、3 臂（baseline rr=0.10 / tight rr=0.20 / **no_bank 整表覆盖 agents 移除银行主体**）× seeds 1–5 配对。三个预注册检验：**H1a baseline 乘数高于 no_bank、H1b tight 高于 no_bank、H2 baseline 高于 tight**（逐 seed 窗口均值配对差 > 0 且 bootstrap 95% CI 下界 > 0）。结果：**H1a +5.5299（95% CI [5.4905, 5.5749]，5/0 为正）；H1b +3.1434（CI [3.1282, 3.1626]，5/0）；H2 +2.3865（CI [2.3608, 2.4126]，5/0）→ 合并判定 `h1_supported`**。窗口乘数 baseline **6.5299 ± 0.0555**（解析上界 (1+0.05)/(0.10+0.05)=7.0，距上界 −0.3651）、tight **4.1434 ± 0.0224**（上界 4.2，距上界 −0.0383）、no_bank 恒 **1.0**；no_bank 臂每期 deposits/loans/reserves 全 0 且 `agent_metrics` 7 个（有银行臂 8 个），直接演示银行主体可插拔。**会计恒等式**（H/M/L 两条）在 15/15 run 逐期残差 ≤ 1e-9 并作为技术门禁；15 run 共 11 期出现准备金率瞬时低于要求（家庭撤资，无同业市场缓冲），仅作描述性披露、不作门禁。15/15 rule run compliance+verify pass、`calls=0`、成本 **USD 0**，分析脚本两次运行逐字节一致（json sha `940D33CA…`、md sha `5F8CA0E7…`）。**边界**：模型内 reduced-form 检验；乘数上界是假设现金比率与准备金率下的会计性质，`no_bank` 是构造性控制（零种子变异），不是行为估计或校准目标；家庭现金比率与银行放贷规则是规则/机制主体，不含银行间市场、利率定价、资本充足率或金融危机；5 seeds 的 cluster bootstrap 只描述该冻结配置的种子间变异。预注册 [`docs/prereg/MACRO-M3-007-banking-money.md`](docs/prereg/MACRO-M3-007-banking-money.md)，明细见 [`audit/findings/M3-007-banking-money.md`](audit/findings/M3-007-banking-money.md)。
> **M3-8 公债与李嘉图等价：债务融资 vs 税收融资的消费反应（MACRO-M3-008，2026-11-17）**：新增独立场景 `public_debt`（不改 `macro.py`）：8 主体（5 家庭 `pd_household`、政府 `pd_government`、收入冲击 `pd_shock`、债券市场机制 `pd_bond_market`），phase 顺序 shock → policy → consume → settle。收入冲击走 AR(1) 因子（ρ=0.5、σ=0.02，clamp [0.85,1.15]）；政府按冻结税表公告 spending/tax（tax 臂恒 base_tax=400×5 户；debt 臂冲击窗口 3–6 期税收为 0、第 7 期起改按 repayment_tax=900 偿还），缺口在债券市场发债（利率 2%）；家庭分 ricardian（消费 base_income−base_tax）与 myopic（消费 income−tax）两种规则；所有政府支出与家庭消费都以 `burn` 离场，债券市场资金惰性持有。10 期、窗口 3–6、3 臂（tax_mixed / debt_mixed / debt_ricardian）× seeds 1–5 配对。两个预注册检验：**H1 债务融资臂的窗口平均消费高于税收融资臂**（debt_mixed−tax_mixed > 0）、**H2 前瞻家庭混合臂低于纯债务融资臂**（debt_ricardian−debt_mixed < 0）。结果：**H1 +800.00（95% CI [800.00, 800.00]，5/5 为正）；H2 −797.50（95% CI [−820.90, −772.30]，0/5）→ 合并判定 `h1_supported`**；描述性 D1（ricardian−tax）仅 **+2.50（CI [−20.90, 27.70]）**。arm summary 窗口消费 tax_mixed **2997.6 ± 37.87**、debt_mixed **3797.6 ± 37.87**、debt_ricardian **3000.1 ± 7.60**；平均负债 0 / 3277 / 3277 分、最大负债 8243 分、期末负债 0、平均税收 2000 / 2200 / 2200 分。**会计恒等式**（债务路径 D_t = D_{t−1} + issuance − redemption；全系统现金守恒含禀赋收入、支出焚烧与消费离场）在 15/15 run 逐期残差 ≤ 1e-9 并作为技术门禁（`debt_identity_residual_max = cash_conservation_residual_max = 0`）。15/15 rule run compliance+verify pass、`calls=0`、成本 **USD 0**，分析脚本两次运行逐字节一致（json sha `7EEB076D…`、md sha `2901FB3D…`）。**边界**：模型内 reduced-form 检验；H1 的零种子方差是冻结规则的性质（两臂家庭噪声逐 seed 相互抵消、收入冲击路径相同），不是估计不确定度；政府税表、发债上限、债券市场惰性持有（不认购、不定价）与家庭消费规则都是 modeler 设定而非最优化，负债路径与恒等式是会计铅管校验而非经验发现；5 seeds 的 cluster bootstrap 只描述该冻结配置的种子间变异。预注册 [`docs/prereg/MACRO-M3-008-public-debt.md`](docs/prereg/MACRO-M3-008-public-debt.md)，明细见 [`audit/findings/M3-008-public-debt.md`](audit/findings/M3-008-public-debt.md)。
### 与 Varian / Mankiw 的映射

- **Varian 中级微观**：预算约束、偏好、效用、选择、需求、交换、均衡、福利、拍卖、垄断/寡头（可用 `double_auction` + persona/rule 扩展）、外部性（可用 `public_goods` 扩展）。
- **Mankiw 宏观**：国民收入核算、失业、通胀、货币与利率、总需求/总供给（`ad_as`）、经济周期、财政政策、开放经济（`open_economy`）、增长（`growth_model`）。
- **学术前沿**：异质主体宏观、市场微观结构、机制设计与 LLM 行为、记忆忠实度、知识消融、后端敏感性、并行预测。

完整问题族与实验设计见 [`docs/EXPERIMENTS.md`](docs/EXPERIMENTS.md)。

### 插件示例与索引

- 官方示例包（3 个）：`plugins_examples/posted_price_market`（挂牌价市场，规则/LLM 卖方与买方）、`plugins_examples/cournot_competition`（古诺双寡头，2 家厂商选产量、消费者预算注入、机制主体清算）与 `plugins_examples/trust_game_repeated`（重复信任/投资博弈，投资者转出、乘数放大、受托人返还，规则/LLM 双方）。三者都通过 `econlab.plugins` entry point 安装，核心零改动；安装后 CLI/`/api/meta`/UI 自动出现对应场景与主体。
- 插件索引：[`plugins/index.json`](plugins/index.json)（机器可读，含每个示例包的 entry point、manifest、scenarios/agents、requirements）与 [`docs/PLUGIN_INDEX.md`](docs/PLUGIN_INDEX.md)（人读表格）；`python scripts/build_plugin_index.py --check` 校验索引与磁盘一致。
- 安装与自检：`pip install -e plugins_examples/posted_price_market && pip install -e plugins_examples/cournot_competition && pip install -e plugins_examples/trust_game_repeated`，随后 `python -m econlab.cli list --plugins`。
- 版本与发布：工作树 **v1.1.1 修正补丁（本地构建，尚未上传 PyPI）**；PyPI 当前公开版本仍为 v1.1.0（`pip install econlab==1.1.0`）。v1.1.1 只修正发布面措辞，见 [`docs/RELEASE_STATEMENT_1_1_1.md`](docs/RELEASE_STATEMENT_1_1_1.md)。发布包自检 `python scripts/release_check.py`（注意：该脚本会清空并重建 `dist/`，需要保留已发布哈希时先备份），证据 bundle `python scripts/evidence_bundle.py --verify`，文档新鲜度 `python scripts/check_doc_freshness.py`；对外可宣告/不可宣告清单见 [`docs/RELEASE_STATEMENT_1_1.md`](docs/RELEASE_STATEMENT_1_1.md)、[`docs/RELEASE_STATEMENT.md`](docs/RELEASE_STATEMENT.md) 与 [`docs/RELEASE_CHECKLIST.md`](docs/RELEASE_CHECKLIST.md)。

### v1.0 发布（2026-11-18）

- 发布物：版本三处一致（`release/VERSION` / `pyproject.toml` / `econlab.__version__` = 1.0.0）；`scripts/release_check.py` 构建 wheel 并在干净临时目录安装，验证 1.0.0、内置场景数与 `python -m econlab.cli list`（v1.0.0 时为 25 个，v1.1 起为 27 个）（8 项检查 PASS，`archive/checks/release_check.json`）。wheel 为本地构建，**未上传 PyPI**。
- 证据 bundle：`release/v1.0.0/` 收录预注册、结项报告、claim ledger、机器检查与发布文档，附每文件 SHA-256、聚合 `bundle_sha256`、`SHA256SUMS` 与独立 stdlib verifier；`python scripts/evidence_bundle.py --verify --bundle release/v1.0.0` 可外部复算（当前发布 bundle：137 文件，`bundle_sha256=9c0a173286e3bc627e8708d190cee938e062cee94cf200315678827558d9084d`）。它证明发布时文件内容，**不证明外部效度**。
- 发布纪律：`docs/RELEASE_STATEMENT.md` 列可宣告/不可宣告；`docs/RELEASE_CHECKLIST.md` 逐行记录 DoD 与 Gate G0–G6；`scripts/claim_review.py` 扫描公开文档过度声明；`scripts/check_doc_freshness.py` 校验版本/计数/索引/claim 渲染一致。
- 判定：**v1.0.0 是工程发布，不是 G6 通过**。G6 仍不通过（官方示例 2/3、无 institution/law registry、L1 2/3、L2 1/3、L3 1/4、L4 未达 Level2、外部 reviewer 未做）；发布后可继续的优先级见 [`docs/ROADMAP.md`](docs/ROADMAP.md)。

### v1.1.0 工程发布（2026-11-20，PyPI 已发布）

- 发布物：版本三处一致（`release/VERSION` / `pyproject.toml` / `econlab.__version__` = **1.1.0**）；本地构建 sdist + wheel 并通过 `twine check`，在离线 venv（wheel `--no-index --no-deps`，依赖由基础环境提供）与从 PyPI 安装的干净 venv 中验证 1.1.0 / 27 内置场景 / `python -m econlab.cli list`；**1.1.0 已同时上传 TestPyPI 与 PyPI**（https://pypi.org/project/econlab/1.1.0/），PyPI 与本地 wheel/sdist 的 SHA256 一致，独立 `pip download` 与安装验证通过（见 [W7.1 记录](audit/findings/W7-1-release-1.1.0.md) 与 [PyPI 证据](archive/checks/pypi_upload_1_1_0.json)）。
- v1.1 工程变化：第三个官方示例插件（`trust_game_repeated`）、内置场景 27、installed 30；institution registry（27 个制度适配器）与 law ownership 检查；macro-v11 默认 + 内置 lifecycle action；per-agent 预算归集与同 run 双真实后端；L1-003/L2-003/L3-004/L4-012 诊断等研究项；W8.1–W8.4 覆盖矩阵、基准台账与 135-run 描述性面板。
- 判定不变：**v1.1.0 仍是工程发布，不是 G6 通过，也不是证据发布**。G4 不通过（L1 2/3、L2 1/3、L3 1/4、L4 低于 Level 2）；G5 仅在 ACE §10.8 的限定范围内满足（0 FAIL / 6 PASS / 1 PARTIAL，MP5 仍 PARTIAL）；G6 不通过（DoD 覆盖/人类基准/证据项未全、外部 reviewer 未做；PyPI 发布只补齐工程项，不改变 G6）。完整边界见 [`docs/RELEASE_STATEMENT_1_1.md`](docs/RELEASE_STATEMENT_1_1.md)。
- 外部审查：`audit/reviews/REVIEW_PACKET.md`、`REVIEWER_TEMPLATE.md` 与 `EXTERNAL_REVIEW_AUDIT_POINTS.md`（A–F 组逐项审计点）已准备，但**尚未邀请外部 reviewer、没有审查结论**；G4 不通过，按规则不能启动 G6 审查，不能写“外审完成”。

### v1.1.1 修正补丁（工作树，本地构建；尚未发布）

- 起因：内部 AI 自审 [reviewer-ai-internal-selfaudit-2026-11-20.md](audit/reviews/reviewer-ai-internal-selfaudit-2026-11-20.md) 的 blocker ID-1——v1.1.0 发布包的 Summary、CLI description 与模块 docstring 写成 “c-ABM compliant”，与本项目自己的不可宣告清单冲突。
- 修正：`pyproject.toml`、`econlab/__init__.py`、`econlab/cli.py` 已移除该措辞；`scripts/claim_review.py` 的扫描面扩到包发布面，并对 package surface 的过度声明按 critical 处理。
- 发布状态：`release/VERSION`、`pyproject.toml`、`econlab.__version__` 三处一致为 **1.1.1**；本地已构建 wheel/sdist。**1.1.1 尚未上传 PyPI、1.1.0 尚未 yank**，因此公开索引仍显示 1.1.0 的旧 Summary；公开包层面的 ID-1 在发布前不算关闭。详见 [`docs/RELEASE_STATEMENT_1_1_1.md`](docs/RELEASE_STATEMENT_1_1_1.md)。
- 判定不变：L1 2/3、L2 1/3、L3 1/4、L4 低于 Level 2；G4/G5（完整）/G6 不通过；ACE 0 FAIL / 6 PASS / 1 PARTIAL；本补丁不新增 run，不升级任何研究结论。

---

## 7. 一次实验的产物

每个 run 目录下都有：

```
config.json             冻结配置 + config_hash
initial_state.json      初始主体状态、账本、商品（人类可读快照）
initial_state_frozen.json  初始状态 hash 的精确输入（verify 用）
events.jsonl            全部世界事件（append-only，带 provenance / actor_id / action_id）
turns.jsonl             每次主体决策（observation hash + action_id + action + policy；默认含完整 observation）
llm_calls.jsonl         每次 provider 调用的 prompt/response/usage/latency/cost
transactions.jsonl      每笔复式记账交易（meta.event_id 链接事件）
stock_flows.jsonl       每笔商品来源/去向（meta.event_id 链接事件）
series.csv              期度聚合指标
metrics.json            最终指标 + agent_metrics + compliance + budget + evidence
compliance.json         结构核验报告
evidence.json           审计前冻结的事件/交易/商品流 hash、链式 hash 与条数（可选 HMAC 签名）
ledger.json             期末账户余额
stocks.json             商品守恒报告
agents.json             期末主体状态
run.json                run 级元数据（含 provenance 计数）
checkpoint.json         期末快照（diagnostic only，无 restore）
report.html             自包含报告（内联图表）
agents.html             主体逐期财务明细（自包含，内联逐期数据）
agents_finance.csv      主体逐期财务明细导出（全部 run 的逐期数据 + 账户余额）
```

`transactions.jsonl` 可以独立重放；`ComplianceChecker` 每个 run 都做一次 `Ledger.replay()` 并比较余额。商品账本做 `initial + produced - consumed = current` 校验。period>0 的每笔 transaction / stock flow 都必须通过 `meta.event_id` 链接到真实事件，否则 `state_change_provenance` fail；审计只读 finalize 前冻结的 `evidence.json` 副本。

### 7.1 主体逐期财务明细（`agents.html`）

`report.html` 回答的是**聚合层**的问题（处理组之间差多少、方差在哪）。要看**单个主体每一期的财务状况**，
用同一实验目录下的 `agents.html`：每次 run 结束自动生成，也可给历史实验补建：

```powershell
python -m econlab report runs/macro_advanced_finance
```

页面提供五个区块：主体逐期明细（处理组 → 种子 → 主体 → 指标四联动）、同一主体跨处理组对比、
同 run 群体对比与期末排名、账本科目余额、口径与来源。数据来自两个独立通道的合并：

| 列 | 来源 | 口径 |
| --- | --- | --- |
| 场景自记字段 | `agents.json` → `state.history` | 由场景在每期结束时写入（收益、收入、支出、利润、价格……），字段随场景不同 |
| 现金余额 | `transactions.jsonl` 重放 | 该主体 `cash` 账户在本期全部流水结算后的余额 |
| 净资产 | `transactions.jsonl` 重放 | 该主体全部资产负债表账户（资产、负债、权益）的带符号余额合计，与 `Ledger.net_worth` 同口径 |

- 重放结果与 `ledger.json` 快照逐账户一致；抽出的现金余额与 `agents.json` 里主体自己缓存的 `cash` 一致，两条通道互为校验。
- 宏观场景里政府、央行**没有**场景 history，但持有账本账户，因此仍会出现在明细页中（`shock`、`market` 这类无账户主体除外）。
- 期号 0 表示初始状态（初始禀赋），不是一次实验期。
- 金额单位是分（整数），与账本记账精度一致；负数表示负债或亏损。
- **净资产只统计账本科目，不含存货等实物资产**，企业口径会低估真实资产。

页面数值全部由 run 产物生成，没有手工填写的数字；完整逐期明细另存为 `agents_finance.csv`。

---

## 8. 真实 LLM 接入：M3.1 的工程细节

- **端点**：`POST https://api.minimaxi.com/v1/chat/completions`（国内站；国际站为 `api.minimax.io`）。本项目实测 `api.minimaxi.com` 可用。
- **模型名**：`MiniMax-M3.1-Flash-Preview` 可用；`MiniMax-M3.1` 在该端点不存在。
- **思考**：M3.1 默认 thinking，不能关闭；`reasoning_content` 单独返回。`max_tokens` 太小会把预算全花在 reasoning 上，导致 content 为空，policy 会走 repair turn。示例配置用 `2048`。
- **n=1**：不能用多样本；异质性靠独立调用 + 独立 persona。
- **不支持的硬约束**：`presence_penalty` / `frequency_penalty` / `logit_bias` 不作为动作合法性手段；合法性靠 schema 校验 + 重试。
- **工具**：工具调用被封装在单次决策内部，不推进时钟；工具失败计入 trace，不静默重试。
- **价格缓存**：prompt 前缀稳定（persona 在 system，动态观察在 user），支持 `prompt_cache_key` 的部署可进一步降本。
- **成本**：按 M3 公开价目估算（$0.30/$1.20 per Mtok，缓存 $0.06），实际以账单为准。脚本里的 `budget` 是硬熔断。

---

## 9. Schema 之外的语义校验与 LLM repair turn

JSON schema 只能约束类型/范围，管不了“预算是否够”“支出是否超过可用资源”。`Scenario.validate_action()` 负责语义约束：

- `exchange`：`x + p_y·y <= x_endow + p_y·y_endow`；
- `macro`：家庭 `spend <= cash + last_income + benefit`。

`LLMPolicy` 在 schema 校验之后调用 `ctx.validate_action()`；validator 只接收 `SemanticView` 纯快照（own / public / cash / extra），不含 `World`/`Ledger`/recorder。如果语义不合法，会把错误写进 repair prompt，让模型在同一次决策内重试。只有重试耗尽才失败，非 LLM policy 由内核直接拒绝。

```python
# 概念上的调用顺序
action = agent.act(obs, ctx)                 # Agent.act 强制 action.actor_id = agent.id
action.action_id = ...                       # kernel 分配，供 action 事件回溯
semantic_errors = scenario.validate_action(world, agent, action)  # kernel 侧语义校验
if semantic_errors: raise ContractError(...)
scenario.handle_action(world, agent, action, obs)                 # 仅此处可发 action 事件
```

测试：`tests/test_semantic_retry.py`（先返回超预算 demand，再返回合法 demand）。

## 10. 宏观校准：符号可复现

`configs/macro_calibrated.yaml` 是 80 期、5 seeds 的校准基线。改动包括：

- 单位成本改用**正常产能产出**，避免衰退时单位成本机械上升；
- 价格方程加入需求/库存/失业缺口（价格 Phillips）；
- 工资方程加入失业缺口（工资 Phillips）与名义趋势；
- `shock` agent 同时产生生产率、需求、分离率冲击；
- 匹配函数 `M = min(U,V,m0·sqrt(UV))`，`m0=0.65`，分离率均值 0.06。

结果（5 seeds × 80 periods，规则主体；2026-10-29 边界修复后重跑，5 个 run 全部 compliance=pass、artifact verify pass、environment provenance=0；80 期 series 与上一轮逐 seed 完全一致）：

| seed | Okun | Phillips | Beveridge | mean U | mean π |
|---:|---:|---:|---:|---:|---:|
| 1 | -0.718 | -0.054 | -0.490 | 0.051 | 0.015 |
| 2 | -0.771 | -0.178 | -0.607 | 0.086 | -0.001 |
| 3 | -0.691 | -0.145 | -0.636 | 0.066 | 0.002 |
| 4 | -0.735 | -0.195 | -0.769 | 0.065 | 0.015 |
| 5 | -0.684 | -0.469 | -0.610 | 0.069 | -0.004 |

```powershell
python scripts/calibrate_macro.py --json runs/macro_calibration.json
python -m econlab run configs/macro_calibrated.yaml --root runs --force
```

这是**方向性校准**，不是结构估计；80 期相关性仍是描述性的，不能做点预测。汇总：平均 U ≈ 6.8%，平均季度通胀 ≈ 0.55%。换 agent 数量、ID、LLM 后端或样本长度后必须重新验证。详见 [`docs/CALIBRATION.md`](docs/CALIBRATION.md)。

## 11. 如何做一次可信的实验

1. **先预注册并用工具校验**：假设、主体设计、异质性档位、种子方案、主指标、验证计划；模板见 [`docs/RESEARCH_PROTOCOL.md`](docs/RESEARCH_PROTOCOL.md)，`python scripts/check_prereg.py <file.md> --config <yaml>` 检查必需章节（缺项 exit 2）。
2. **先跑 rule/zero 基线**：确认会计与机制本身能跑通，再换 LLM。
3. **不少于 5 个种子**（L1 下限；L2 建议 10+）；报告均值、方差、相关结构，不只报均值。
4. **做方差分解**：处理组 / 种子 / 后端 / 主体身份（ANOVA eta² 准入 + 可选 MixedLM，seed 随机截距；单变体、单后端或饱和设计会显式标“不可估计”，不会假装能分解）。若某轴效应小于种子噪声，降级该轴，而不是继续加种子。
5. **做记忆忠实度探针**：清空/打乱/替换记忆后行为不变，则记忆相关结论作废。
6. **做后端敏感性表**：固定环境换后端，系数移动量写进正文（`python scripts/backend_sensitivity.py`；最后通牒 5-seed 与宏观 16 期 ×1 seed 的三后端移动表已产出；单后端/缺同协议组会显式标不可对照；更长样本的宏观系数敏感性仍未做）。
7. **做累积消融**（L4）：baseline → +config → +memory → +tools，用 `ablations:` 块自动展开（见 `configs/ultimatum_llm_ablation.yaml`）；冲击响应用 `configs/macro_shock_arms.yaml`。
8. **并行预测只当脚手架**：`python scripts/parallel_prediction.py --run-dir <run> --series <csv>`；没有外部序列时会明确输出 scaffold only，不会伪造历史对比。
9. **写清楚“这一层撑不住什么结论”**：报告底部自动带 `caveats`，但作者仍要自己写。

已知失效模式与对策见 [`docs/METHOD.md`](docs/METHOD.md)。

---

## 12. 目录

```
econlab/
  contracts.py        Action/Spec/Observation/AgentContext/PhaseSpec/Event + provenance 常量
  semantics.py        无 World 的 SemanticView 与语义校验（供 LLM repair）
  config.py           YAML/JSON 解析、variants、seeds、冻结
  ledger.py           复式记账 + 独立 replay
  stocks.py           商品守恒
  kernel.py           World、phase 快照、事件归因、审计、证据冻结
  compliance.py       事件归因、状态变更链接、finalize 完整性、价格来源、封装、随机完备性等检查
  verify.py           artifact 级核验器（重算账本/商品/事件/配置）
  recorder.py         append-only 记录
  runner.py           treatments × seeds、预算、失败处理（compliance fail 即失败）
  scenarios/          ultimatum / binary_ultimatum / ultimatum_architecture / public_goods / double_auction / exchange / macro / engel / normal_form_game / second_price_auction / trust_game / dictator_game / matching_deferred_acceptance / english_dutch_auction / asset_market_bubble / coase_property_rights / intertemporal_consumption / information_cascade / adverse_selection / ad_as / expectation_formation / open_economy / growth_model / banking_money / public_debt（+ plugins_examples/ 下 posted_price_market、cournot_competition、trust_game_repeated 三个可安装示例）
  agents/base.py      agent 基类与通信
  policies/           zero / rule / mechanism / llm / isolated（可选进程隔离）
  llm/                MiniMax、mock、prompt、parse、memory、tools、budget
  analytics/          summary、variance decomposition（四因子 + MixedLM）、benchmarks（人类基准对照）、HTML report
  ui.py               交互式实验设计台的 HTTP API 与 job manager
  ui_assets/          无外部依赖的单页前端（HTML/CSS/JS）
  l4_realtime.py      L4-010 实时 vintage 预测：manifest 校验、pre-origin 隔离、forecast 冻结/校验、CRPS/PIT/coverage 评分、判定
  cli.py              run / estimate / ui / probe-api / report / verify / replay / serve
configs/              可直接运行的实验配置
docs/                 方法、架构、UI、校准、问题族、插件、研究协议、真实运行记录、ODD+D、基准（含真实数据）、后端敏感性、replay、v9 迁移、L4 边界台账、L4 并行集合、ACE 七原则边界台账、L5 范围、审计与修复记录、路线图（ROADMAP.md）、legacy 证据规则（LEGACY_EVIDENCE.md）、测试基线（TEST_BASELINE.md）、插件 30 分钟上手（PLUGIN_QUICKSTART.md）
data/human_benchmarks/ 真实公共数据参考（World Bank 美国年度序列 + 原始缓存；读法见 REAL_DATA_BENCHMARKS.md）
data/realtime/     Philadelphia Fed RTDSM 实时 vintage 原始 xlsx + 12 episode manifest + provenance（L4-010；见 data/realtime/README.md）
examples/benchmarks/  个体级人类数据注入示例（synthetic，仅演示格式）
scripts/              calibrate_macro / live_evidence / memory_probe / engel_llm_subsample / backend_sensitivity / parallel_prediction / parallel_ensemble / parallel_design_validation / l4_parallel_primary / build_realtime_episodes / l4_010_realtime_primary / odd_report / fetch_real_benchmarks / ace_principles_audit / ace_labor_market_equivalence / engine_migration / verify_all_runs / legacy_inventory / check_evidence_compliance / check_doc_links / new_plugin / migrate_scenario_metadata / analyze_m3_001 / analyze_m3_003 / analyze_m3_004 / analyze_m3_005 / analyze_m3_006 / analyze_m3_007 / analyze_m3_008 / analyze_l1_002 / analyze_l2_002 / analyze_l4_011 / evidence_pipeline / claim_ledger / state_diff_audit / replay_audit / m6_replay_panel / estimate_phillips / check_prereg / check_m3_regression / odd_report / release_check / evidence_bundle / evidence_verify_template / build_plugin_index / check_doc_freshness / claim_review
tests/                1623 个测试 + 197 subtests（governance / verify / plugin isolation / evidence integrity / benchmarks / variance / memory / ablation / schema / ODD / factorial / prereg / SFC / full SFC / transfer / advanced finance / backtest / importers / env / free-model forward / UI / plugins / per-agent backend / per-agent 预算 / 四轴 agent_personas / 报告方差分解 / evidence gate / prereg config / normal-form game / second-price auction / binary ultimatum / ultimatum architecture & heterogeneous / W4a replay 兼容性门控 / human benchmarks / kernel state closure / kernel state diff (M6) / kernel policy validator / ACE labour-market agent / macro v10 labor market / Phillips estimation / AD-AS / expectation formation / open economy / growth model / banking money / public debt / L1-002 architecture ladder / L2-002 three-axis factorial / L3-003 directional facts / evidence pipeline / claim ledger / treatment disclosure / 制度 registry / 世界法则所有权检查 / macro v11 law agents 与人口迁移 / macro v12 labor-price law agents / lifecycle 动作层 / L2-003 四轴预注册配置 / L3-004 macro-v11 方向性面板 / W8.4 全场景 5-seed 描述性面板生成与分析 等；2026-11-20（v1.1.0 PyPI 发布与文档同步后）全量 **1623 passed + 197 subtests**（47 warnings，exit 0，930.41s；基线见 docs/TEST_BASELINE.md；含 M1 插件 SDK、M2 micro pack 十场景、M3-1 macro v10 劳动市场、M3-2 Phillips 斜率估计、M3-3 AD-AS、M3-4 预期形成、M3-5 开放经济、M3-6 增长、M3-7 银行/货币、M3-8 公债/李嘉图等价、M4-1 L1-002 架构阶梯（21 tests）、M4-2 L2-002 三轴 factorial（17 tests）、M4-3 L3-003 方向性四事实（20 tests）、M4-4 证据流水线（16 tests）、M4-5 claim ledger（19 tests）、M5-1/M5-2 L4-010 实时 vintage（24 tests）与 M5-3/M5-4 L4-011 LLM 臂与身份敏感性（13 tests）、M6-1/M6-3 per-period material-state 链与重放审计（8 tests）、M7 发布工程（wheel/插件索引/证据 bundle/文档新鲜度/claim 审查，11 tests），以及冻结回归/UI 契约修复）；以 `python -m pytest -q` 输出为准）
runs/                 **1464 个 run**（不含 archive；2026-11-11 快照为 522 个，之后新增 M2-1/M2-2 与 M2-3~M2-12 的 rule+LLM 实验、M2-003 补跑、M3-1 v10 迁移、M3-2 Phillips 估计面板 10 个、M3-3 AD-AS 15 个 rule run、M3-4 预期形成 15 个 rule run + 5 个 LLM run、M3-5 开放经济 15 个 rule run、M3-6 增长 15 个 rule run、M3-7 银行/货币 15 个 rule run、M3-8 公债/李嘉图等价 15 个 rule run、M4-1 L1-002 主面板 15 个 + DeepSeek 敏感性 15 个 run、M4-2 L2-002 主面板 40 个 + 记忆探针 20 个 run、M4-3 L3-003 macro 面板 10 个 + engel 面板 10 个 run、M5-3/M5-4 L4-011 macro LLM 面板 10 个 + ultimatum 5 身份 25 个 run 等；2026-11-20（W8.4 后）`scripts/legacy_inventory.py`：**current 936 / legacy 528 / incomplete_dirs 35**，证据门禁 `--scope current` **936/936 pass**；M4-4/M4-5 不新增 run，只新增审计/claim ledger 产物；M5-1/M5-2（L4-010）用 lightweight 模拟，不写 engine run 目录；M5-3/M5-4（L4-011）新增 35 个 run；M6-1/M6-3 重放面板新增 100 个 run（20 场景 × seeds 901–905，每 run 带 per-period 链），M8-001 新增 5 个双真实后端 run（ultimatum × seeds 1–5，登记 strict-v2 预注册后整体重生成），M9-001/W2.6 新增 3 个内置 macro lifecycle run（macro-v11 默认、household entry/exit），W4a/L1-003 新增 60 个预注册架构面板 run（3 arms × 5 pairs × 5 periods × 20 seeds，见 [W4a 结果](audit/findings/W4a-L1-003-result.md)），W4b/L2-003 新增 160 个四轴主面板 run + 20 个记忆探针 run（16 cells × 10 seeds；4 arms × 5 seeds，见 [W4b 结果](audit/findings/W4b-L2-003-result.md)），W4c/L3-004 新增 10 个 macro-v11 方向性面板 run（2 臂 × 5 seeds × 40 期，见 [W4c 结果](audit/findings/W4c-L3-004-result.md)），W8.4 新增 135 个全场景 LLM 5-seed 描述性面板 run（27 builtin × seeds 1–5，3,415 calls / $1.9335，见 [W8.4 面板](audit/findings/W8.4-scenario-panel.md)），故为 1464 个 run）。存量证据口径（2026-11-11）：**522/522 verify pass**（2026-11-11 Wave3 全量，wall 1551.664s，checked_at 2026-11-11T09:01:08Z；见 archive/checks/verify_all_runs_2026-11-11_final.json，154,378 B，sha256 32af6a04…；signature_counts retroactive 484 / generation 38，0 violations；新增 `evidence_signature` 的 generation/retroactive scope 语义与 `engine_metadata` 检查）；**2026-11-18 全量重跑 1067/1067 pass**（wall 1055.6s，checked_at 2026-11-18T03:23:59Z，signature legacy-format 522 / generation 545，0 violations，见 archive/checks/verify_all_runs.json；最新一次为 M6-1/M6-3 后），M5-3/M5-4 后为 967/967 pass（wall 1166.191s，signature legacy-format 522 / generation 445，0 violations），M5-1/M5-2 之前（M4-3 后）为 932/932 pass（wall 1011.083s，legacy-format 522 / generation 410），M4-3 之前（M4-2 后）为 912/912 pass（wall 1190.065s，signature legacy-format 522 / generation 390），M4-2 之前（M4-1 后）为 852/852 pass（wall 1443.851s，legacy-format 522 / generation 330），M4-1 之前（M3-8 后）为 822/822 pass（wall 2709.534s，legacy-format 522 / generation 300），再前一次 M3-7 后为 807/807 pass（wall 1094.474s，legacy-format 522 / generation 285），再前一次 M3-6 后为 792/792 pass（wall 1147.741s，legacy-format 522 / generation 270）；`runs/` 下另有 **35 个残缺 run 目录**（无 `run.json`，多为失败/网络错误现场，如 `failed_network` 或 M2 LLM 批次中 HTTP 529 中断目录），verify/审计会**静默跳过**、不计入 1067；覆盖 mock / rule / 校准 / live / 免费车道 / 消融 / 三后端 / 阶梯 / factorial / SFC / 迁移 / 高级金融 / 完整 FoF / P9 金融深化 / 政策实验 / backtest / v7/v8 设计验证 / PGG mock / binary ultimatum / 跨模型）。v6（L4-005）因测试隔离缺陷/并发编辑作废，归档 archive/invalid_v6_partial_rerun（仅诊断，不计入证据）；早期 multimodel smoke 归档 archive/legacy_multimodel_smoke_20261109；修复前 live 移至 archive/legacy_live_runs；2026-11-16 M0-3 盘点把这 522 个 run 全部归为 legacy（当时 current 0；原因：512 无 model_version、484 无 engine_version、484 retroactive signature、522 无 world.treatment），另有 35 个残缺目录；M1–M3 之后的新 run 已带 generation signature/model_version/prereg，2026-11-17（M4-2 后）盘点为 current 385 / legacy 527 / incomplete 35；legacy/current 定义与引用纪律见 docs/LEGACY_EVIDENCE.md，外部效度只能引 current
```

## 13. 诚实的能力边界

- 已有能力（**能力已实现 ≠ 验收达成**；逐层验收判定见下一条）：L0 内核/契约/会计/核验 + **ODD+D 文档骨架**（[`docs/ODD_PLUS_D.md`](docs/ODD_PLUS_D.md)）+ **message/Observation schema 版本校验**（compliance 15 项；P12 新增 `treatment_disclosure`，旧 run 为 14 项快照；2026-11-11 起第 15 项对 `counterfactual_protocol=conditional_backtest` 的 run 强制要求 `world.treatment`，历史 166 个含 `shock_schedule` 的 config 作为 legacy artifact 接受，清单 `audit/fix/treatment_disclosure_legacy.json`）+ **2026-10-30 硬化**（机制 action 绑定、价格伪造检测、ctx.llm 收窄、turns 证据链）；L1 最小可证伪闭环（zero/rule/LLM **三组同实验对照** 15 runs + 数据化人类/理论基准对照，方差/相关结构可注入）；L2 重复博弈与四轴处理面 + **factorial 处理设计**（`factors` 自动展开、`decompose_factors` 逐因子 eta²；ultimatum 任务上退化，负结果）+ 记忆/工具轴探针（负结果）；L3 的宏观骨架 + 方向性校准 + Engel 场景 + **SFC/资金流量矩阵（可选商业银行 + 政府债券，feature-flagged）** + Phillips 敏感性；L4 的**报告义务流水线 + 可执行 backtest**（累积消融、后端敏感性表、冲击 arms、欧元区 2008-09 backtest、历史伪平行集合预测 L4-009、种子离散度）。
- **历史验收判定（2026-11-11 全面审计；当前判定见 §6 的 v1.1.0 条目与 `docs/RELEASE_STATEMENT_1_1.md`）**：以下数字为当时快照（ACE 0 FAIL / 5 PASS / 2 PARTIAL、claim 37 条），**不是当前状态**；当前为 ACE 0 FAIL / 6 PASS / 1 PARTIAL、claim ledger 48 条，W4a/W4b/W4c/L4-012 结果已更新。原始审计见 [`audit/findings/consolidated_audit_2026-11-11.md`](audit/findings/consolidated_audit_2026-11-11.md)。L1 **2/3（2026-11-17 L1-002 预注册三臂对照：②、③ 达成，① 未达成）**：新增 `ultimatum_architecture` 三臂（zero/single_controller/multi_agent）15 个 live run，multi 0.500 sd 0 / single 0.450 sd 0.1118 / zero 0.466 sd 0.0723（配对差 +0.050、方向一致率 0.20，未复现 88% vs 50%）；heterogeneous η²_agent mock 0.759 CI[0.739,0.898]、live（3/5）0.422 CI[0.402,0.722] 均不含 0；**2026-11-17 L1-002 重做**：multi 与 single 均值同为 0.478，H1 架构方向未复现（3/5 seeds、距离差 −0.004 CI[−0.02,0.014]），H2 分布差异支持（均值差 +0.078 CI[0.055,0.097]、拒绝率差 −0.147）、H3 身份方差支持（η²_agent 0.752 vs seed 0.041、p=0.0002，zero 对照 p=0.226）；人类方差/相关仍不可识别；**L2 1/3（2026-11-17 L2-002 预注册 2×2×2 factorial：H1 达成，H2/H3 未达成）**：旧 factorial 12 runs 全 `.5` degenerate，L2-002 重做 40 runs + 记忆探针 20 runs——H1 存在性 +0.0735 CI[0.0669,0.0792]（seed noise 0.0082、5/5 同向），H2 记忆 +0.0097 CI[0.0033,0.0169] 但 seed noise 0.0112 > 点估计 → 未支持（探针 detectable 主要由 placebo 臂驱动、clear/shuffle 未达阈值），H3 认知 +0.0053 CI[−0.0077,0.0202] → 未支持；L3 **1/4（2026-11-17 L3-003 预注册方向性四事实：H4 Engel 支持，H1 Phillips、H2 Okun、H3 Beveridge 未支持，判定 `l3_not_supported`）**——macro 面板 LLM 臂 Phillips 2/5 负（−0.0033）、Okun 3/5 负（−0.0290）、Beveridge 0/5 负（+0.1746）；engel 面板 LLM 臂 Engel 4/5 支持（弹性 0.7477 CI[0.5986,0.9205]、份额-收入斜率 −0.0600 CI[−0.0812,−0.0242]）；rule 对照的 Phillips 项是内嵌 reduced-form，不能当涌现证据、L4 **报告义务形式齐备、Level 2/3/4 能力验收 0/3 未达成**、L5 **仅 scoping（Gate 0 未过，M6-4 blocked）**；ACE 七原则 **0 FAIL / 5 PASS / 2 PARTIAL**（2026-11-18 M6 再审计；全仓 compliance 1,067/1,067 pass；W2.5 复核 artifact 为 1,073/1,073，判定仍不升级；MP5/MP7 仍 PARTIAL，G5 未通过）。因此**不能宣告 c-ABM compliant、不能宣告外部效度，LLM 主体也不等于人类主体**。
- **M7 v1.0.0 发布工程（2026-11-18）**：发布包（wheel 本地可装、版本三处一致）、插件索引（`plugins/index.json` + `docs/PLUGIN_INDEX.md`，2 个官方示例插件、安装后 27 场景）、证据 bundle（`release/v1.0.0`，137 文件 + 每文件 SHA-256 + 聚合 `bundle_sha256` + 独立 verifier）、文档新鲜度（11 项检查）与 claim 审查（8 个公开文档、0 warning/0 critical）均完成；claim ledger 扩到 37 条。**G6 不通过**：DoD 证据项（官方示例 2/3、无 institution/law registry、L1 2/3、L2 1/3、L3 1/4、L4 未达 Level2）与外部 reviewer 均未满足；v1.0.0 是工程发布，不是 ACE 合规、外部效度或人类替代性的证据。
- **M4-4/M4-5（2026-11-17）**：证据合规流水线与中央 claim ledger 已落地——`scripts/evidence_pipeline.py` 实测 current **405/405** 合规、预注册 **41/41**、两个 batch 20/20 verify；`docs/CLAIM_LEDGER.md` 20 条 claim 逐条有证据链接（`--check` 通过），且把 L1 架构方向、L2 记忆/认知、L3 Phillips/Okun/Beveridge 的负结果全部入账。这只是**证据治理**：G4 外度门禁仍未通过（L1 2/3、L2 1/3、L3 1/4），不改变任何外部效度或人类替代性结论。
- L0 收尾硬化（2026-10-30）：mechanism 事件必须绑定本期同 source 的真实 action（伪造/缺失 → ContractError）；`prices_emerge_from_agents` 能抓机制伪造 price_set 与缺 price_ref 的 mechanism trade；`ctx.llm` 收窄为只暴露 `complete()/model`（无 provider/recorder）；evidence 新增 turns.jsonl 链式 hash 与 verify 的 `turns_evidence`（新 run pass、旧 run warn 但 pass）。仍不是形式化合规：窄 ctx.llm 是 API 形状约束，不是沙箱。
- 方差分解的边界：ANOVA eta² 是描述性准入筛查，MixedLM（seed 随机截距）给出 ICC；factorial 设计用 `decompose_factors` 逐因子估计，但当某指标在所有臂上取值相同时返回 `degenerate`（不会假装可分解）；单变体/单后端/饱和设计同理写“不可估计 + 原因”，p/ICC 不作结论。
- 记忆/工具/Engel 三轴的 live 负结果（都要单独报告）：(1) 记忆轴 mock 管线通过（24/24），但真实 LLM 探针三干预无差异 → **记忆结论作废**；(2) 工具臂真实 LLM 0 次工具调用，只增加 prompt 成本；(3) Engel 的 rule 臂"定律"是 Stone-Geary 构造性质，LLM 子样本弹性 **≈1.00**、份额恒 0.600 → **LLM 家庭未表现出 Engel**。这三条都属于大纲 §7 的失效模式（伪理性/工具误用/高估人类理性），不是"证明定律不成立"。详见 [`docs/MEMORY_TOOLS.md`](docs/MEMORY_TOOLS.md)、[`docs/ENGEL.md`](docs/ENGEL.md)。
- L4 的边界：本轮交付的是**报告义务流水线 + 小样本演示 + 可执行无条件/条件 backtest**（累积消融、冲击 arms、最后通牒 5-seed 三后端移动表、宏观 16 期三后端系数移动表、跨情境迁移 live（n_matched=2，INSUFFICIENT_N）、**欧元区 2008-09 无条件 backtest**、**2008/2020/2011 条件 backtest（预注册 v2）** + **v3 双通道条件 backtest（预注册 L4-002；mixed_weak、g2 触发）**、**v4 数据识别双通道 backtest（预注册 L4-003；用 Eurostat 消费做 2×2 反演，结果 h0_retained：2×2 在冻结模型中奇异/共线、ridge 0 季启用、fallback 主导，第二信号仍未改善复现）**、**v5 deflator 2×2 识别（预注册 L4-004；h0_retained）**、**v6b 增强模型条件 backtest（预注册 L4-006；劳动需求+消费动态修复 productivity 通道后：Δu 方向 18/23=0.783、3/3 episodes 达标，但 u 水平 nMAE 15.09、模型 u 冲到 31.5–43pp → mixed_weak，方向复现但水平未复现；v6 作废不计）**、**v7 水平锚定模型 + GDP-only 序贯识别（预注册 L4-007；Δu 方向 17/22=0.773、3/3 episodes 达标，但 u 水平 nMAE 1.176 未达 1.0 → mixed_weak；较 v6b 水平误差降 12.8×，仍不能宣称历史复现；secondary 已于 2026-11-09 运行：dual-diag/attribution 两组输入 gate 失败、elasticity override 未生效=INVALID，均不参与判定，见 §19.1）**、并行预测脚手架、种子离散度）；**结果仍弱/负**：无条件 backtest 累计 Δu/ΔHICP 不一致；条件 backtest 预注册判定 **mixed_weak**（pooled Δu 0.533、Δπ 0.586、z 相关 −0.18/+0.15、水平 nMAE 7.40/2.02），且条件化质量差（GDP 输入匹配 nMAE 1.9–10.4、clip 75–83%、k 病态），说明单需求通道无法复现 GDP 路径——**历史复现未达成**；照实记录、未调参；**没有**真正的外部效度证据，不能宣称 L4 已实现。见 [`docs/L4_EXTERNAL_VALIDITY.md`](docs/L4_EXTERNAL_VALIDITY.md) §12 与 [`docs/prereg/L4-001-conditional-backtest.md`](docs/prereg/L4-001-conditional-backtest.md)。
- L4 外部效度边界台账（2026-11-09）：新增 [`docs/L4_BOUNDARY.md`](docs/L4_BOUNDARY.md)，按 claim 逐条列出 L4 能/不能宣告什么。三项报告义务（后端敏感性表、种子离散度、冻结原语声明）的机器可读产物已齐备；但**外部效度未达成**：Level 2 历史复现 v2–v8 全部 mixed_weak/h0，Level 3 只做了历史伪平行（L4-009；mixed_weak、GDP skill 为负），**未达成**，Level 4 跨情境 n_matched=2 不足。24-run 跨模型表是 **availability-conditioned 描述统计**，不是模型能力排名；条件 backtest 的 GDP 输入匹配是构造性的，不构成历史复现。详见 [`docs/L4_BOUNDARY.md`](docs/L4_BOUNDARY.md) §2–§6。2026-11-11 全面审计维持该边界：报告义务形式齐备，Level 2/3/4 能力验收 0/3 未达成。
- **L4-010 实时 vintage 多 episode 预测（M5-1/M5-2，2026-11-17，预注册；非 Level 3/4）**：这是本仓库第一次用**实时 vintage**（Philadelphia Fed RTDSM 原始 xlsx，vintage 数据只含发布当时可得的值）做 12 个 episode 的**发布前冻结**预测检验。结果全负：`gdp_yoy` 80% 区间覆盖率 **0.4896**、PIT mean 0.4714（目标 0.80–0.90）；`skill_score>0` 目标 **0/3**（gdp −3.1928、du −0.6001、pi −3.5394）；pooled gdp MAE 13.8268 vs naive 3.2978。设计门禁（12 个独立 episode、窗口不交、vintage 唯一、200 户初始失业网格 12 个互异值、每 episode 20 成员非退化、无重复 episode）全部通过，v2 重跑 `score.json` 与 attempt-1 逐字节一致。**因此 L4 外部效度仍未达成、Level 2/3/4 仍未达成**；单臂规则模型（无 LLM 臂）也意味着 M5-3 未满足。详见 [`docs/LIVE_RUNS.md`](docs/LIVE_RUNS.md) §1ah、[`docs/L4_BOUNDARY.md`](docs/L4_BOUNDARY.md) §4.3 与 [`docs/prereg/L4-010-realtime-vintages.md`](docs/prereg/L4-010-realtime-vintages.md)。
- **L4-011 LLM 臂 + 模型身份敏感性（M5-3/M5-4，2026-11-17，预注册）**：两个 LLM 场景面板（macro 实时 vintage 10 runs；ultimatum_architecture 25 runs）× **5 个模型身份 / 2 个后端**，35/35 generation 签名 + verify pass。判定 **`l4_011_llm_arms_supported`**：M5-3（两场景 LLM 臂五种子签名）与 M5-4（≥2 后端 × ≥3 身份、差异与种子噪声比较并进正文）均达成——池化种子噪声 0.013036、最大身份差 0.0300（2.30× 噪声、CI 排除 0）、η² identity 0.5083。**这只是 LLM 臂的可运行性/可比较性证据：不改变 L4 外部效度与 Level 2/3/4 判定，也不是模型能力排名**；macro LLM 的 gdp 预测 skill 仍为 −3.2767（描述性）。详见 [`docs/LIVE_RUNS.md`](docs/LIVE_RUNS.md) §1ai、[`docs/L4_BOUNDARY.md`](docs/L4_BOUNDARY.md) §4.4 与 [`docs/prereg/L4-011-llm-arms.md`](docs/prereg/L4-011-llm-arms.md)。
- L4 DSGE 基准（2026-11-02）：新增独立 `econlab/dsge.py` 小型新凯恩斯 3 方程基准（IS/NKPC/Taylor、BK 判定、闭式 IRF）与 `scripts/dsge_vs_abm.py`；ABM vs DSGE 描述性对比：4/4 维度冲击当期同号、平均 shape corr +0.646；需求→通胀最稳（+0.824），需求→产出弱且非单调（+0.234），供给向不稳健（新息估计符号翻转）。**这只是 DSGE 基准对照，不是把 ABM 变成 DSGE，也不能当校准/结构估计/外部效度**，见 [`docs/DSGE_BENCHMARK.md`](docs/DSGE_BENCHMARK.md)。
- 未实现/弱实现：人类基准的**方差、相关结构**对照机制已实现（`ECONLAB_BENCHMARKS` 注入 `distribution`/`summary`/`correlations`/`joint_observations`，报告自动出 sd 比/标准化均值差/Wasserstein-1/相关差）；已内置一份**真实公共宏观参考**（World Bank 美国年度序列：okun_corr 参考 −0.83±0.22、phillips_corr −0.25±0.34；模拟 −0.72±0.04 / −0.21±0.16 → sd 比 0.16/0.46），但这是**年度 vs 季度、美国 vs 模型世界**的口径错配，只能作参考；人类实验数据已**不只 literature range**：内置 Dannenberg 2019 PGG（76 组）、**Mekvabishvili Zenodo 5033369 PGG（12 完整组/480 观测）**与 **OSF wphqm 二元最后通牒（43 proposer/245 responder）**三份真实 fixture，并跑了 `public_goods_mekvabishvili_mock`（3 runs，设计错配）与 `binary_ultimatum_{rule,mock,live}`（16 runs）描述性对照——但组级 vs run 级、tiny-n、设计差异，**仍不构成外部效度或人类替代性证据**；L3 在 2026-11-17 L3-003 之前只有 rule 基线的方向性校准；L3-003 把 LLM 处理组纳入预注册判据后，只有 Engel 定律通过（Phillips 2/5、Okun 3/5、Beveridge 0/5 呈期望符号），说明方向性符号在 LLM 处理组下并不稳健，更不能当结构估计。
- **L5 未实现，且 2026-11-18 起 Gate 0 明确 blocked，只有立项范围**：[`docs/L5_RESEARCH_SCOPE.md`](docs/L5_RESEARCH_SCOPE.md) 写清研究问题（冻结原语 vs 再定心、Lucas 批判、一步重训残差）、所需管线、最小可行 Phase-1、决策 gate（L4 外部效度样本、合法数据、预注册、算力预算）与非目标；当前代码无任何训练/再定心实现。
- 宏观模型在全部金融 flag 关闭时是**单商品、固定资本、无商业银行/债券市场**的简化闭环；打开 banking/gov_bond/investment/full_sfc 后是**简化的金融部门 + 完整 FoF 矩阵**，但仍不是 DSGE；不能做点预测，只能做方向性、机制性讨论。
- L3 的两条硬边界（已扩展）：(1) **金融深化是 feature-flagged 的简化部门**：`banking_enabled/gov_bond_enabled/investment_enabled/full_sfc_enabled` 打开后有商业银行、政府债券、投资/资本积累、银行利润分配，以及**完整 FoF 矩阵**（cash_currency/deposits/bank_loans/cb_lending/reserves/gov_bonds/firm_equity/capital + net_worth，5 部门 + rest_of_world=0）；`macro_full_sfc` 上 7 个金融工具行和=0、capital+net_worth 行和=0、部门列和=0、ff_full_matrix/flow/saving-investment 残差全 0，默认关闭时既有轨迹 0 差异；但**不是 DSGE/完整资金流量表**——无跨期最优化/理性预期/唯一均衡/结构冲击识别，无二级/银行间市场、资本充足率、违约、债券到期再融资、期限结构，家庭存款比例固定 50%，资本按历史 book value、存货不在矩阵内；残差 0 只证明实现内会计恒等式，不是宏观因果；(2) **Phillips 关系是 reduced-form 内嵌假设**（价格/工资方程里的 `price_phillips`/`wage_phillips`），相关性是自洽性检查；`configs/macro_phillips_sensitivity.yaml` 显示把系数置 0 会让 40 期下 Phillips 相关明显移动（且基线本身已有种子符号为正）——所以这些相关性不是涌现证据、不能当校准验收。2026-11-17 L3-003 的 LLM 臂结果（Phillips 2/5、Okun 3/5 呈负）进一步说明：这些相关性在 LLM 处理组下并非稳健符号，不能作为校准验收。
- L3 金融深化的 P9 扩展（2026-11-02，默认关闭）：`interbank_enabled`（两家银行同业准备金拆借）、`term_premium_enabled`（政府债券短/长两档+期限溢价）、`credit_risk_enabled`（NPL 迁移/核销/债务减免）、`capital_requirement_enabled`（equity/RWA 资本约束，低于下限限制放贷/分红）；FoF 矩阵扩到 11 个金融工具 + capital + net_worth，`macro_interbank` 3/3 verify pass、所有残差逐期 0、默认关闭时 80 期对拍 0 差异；**仍不是 DSGE**（无最优化/预期/唯一均衡；同业无网络/拍卖，无二级市场、债券到期再融资、完整收益率曲线，无存款保险/破产处置/抵押品，NPL 是确定性规则，资本约束是单一合并比率），见 [`docs/CALIBRATION.md`](docs/CALIBRATION.md) §4.1e。
- L3 部门级政策实验（2026-11-02）：`configs/macro_policy_experiments.yaml`（baseline/high_tax/fiscal_expansion/tight_reserves/high_policy_rate × 3 seeds × 40 periods）15/15 verify pass，**SFC gate PASS**（残差全 0）；`scripts/policy_experiments.py` 汇总效应 + 种子离散度 + gate 退出码；这是 **reduced-form ABM 参数实验，不是可识别结构冲击、不是福利/因果分析**，见 [`docs/POLICY_EXPERIMENTS.md`](docs/POLICY_EXPERIMENTS.md)。
- LLM 行为结论只对“该模型 × 该 prompt × 该温度 × 该样本”成立；不要把它当作人类样本的替代品。
- `ComplianceChecker` 是**结构核验**：`compliance=pass` 只表示通过当前检查项（事件归因、状态变更链接、finalize 完整性、价格来源、初始条件、随机完备性、会计、消息/observation schema、treatment 披露等 15 项），不代表完全 c-ABM 合规，也不代表外部效度；已知边界与修复状态见 [`docs/AUDIT_MP1_MP7.md`](docs/AUDIT_MP1_MP7.md) 与 [`docs/FIXES.md`](docs/FIXES.md)；2026-11-09 再审计（0 FAIL / 3 PASS / 4 PARTIAL）见 [`docs/ACE_SEVEN_PRINCIPLES_AUDIT.md`](docs/ACE_SEVEN_PRINCIPLES_AUDIT.md)，P12 修复后的 claim ledger 见 [`docs/ACE_BOUNDARY.md`](docs/ACE_BOUNDARY.md)。
- **ACE 七原则 P12 边界修复（2026-11-09，判定仍 0 FAIL / 3 PASS / 4 PARTIAL）**：`World.frozen_state()` 纳入 `scenario_state`（`state_hash` / `initial_state_frozen.json` 覆盖场景局部状态；不可序列化抛 `ContractError`；旧 run 不追溯）；默认路径 labor-target 覆盖新增 `labor_target_set` mechanism 事件，（2026-11-09 当时）默认关闭的 `labor_market_agent_enabled` 严格模式用显式 `labor` phase + market `set_targets` action（demo `runs/ace_labor_market_demo/demo__s1` 40 期 verify pass；strict vs off 131 列 max abs diff 0.0）；条件 backtest 的 treatment 在 config/artifact 披露并由第 15 项 compliance 校验；**2026-11-11 起强制面已落到新协议**：`econlab/backtest.py` 在注入 `shock_schedule` 时写 `world.counterfactual_protocol="conditional_backtest"`，`econlab/compliance.py:592-664` 对该协议下缺失 `world.treatment` 的 run **fail**（treatment 需声明 kind、description/source，`modeler_supplied_exogenous_schedule`，`not_external_validity=true`，并绑定 shock schedule sha256）；**历史 166 个含 `params.shock_schedule` 的 config 无该协议标记，按 legacy artifact 接受**（当前 0 declared / 166 undisclosed，清单见 [`audit/fix/treatment_disclosure_legacy.json`](audit/fix/treatment_disclosure_legacy.json)）；旧 artifact 不追溯、不补写 treatment；因此不能写成“全部 treatment 已强制”；MP3/MP5/MP6/MP7 仍 PARTIAL，见 [`docs/ACE_BOUNDARY.md`](docs/ACE_BOUNDARY.md)。P12 同时修改了 `econlab/scenarios/macro.py` 与 `econlab/backtest.py`（默认轨迹数值等价；v7/v8 旧 artifact 保留原 sha，见 [`docs/L4_BOUNDARY.md`](docs/L4_BOUNDARY.md) §8）。**2026-11-18 M6 再审计修正**：MP3 与 MP6 已升级为 PASS（MP5/MP7 仍 PARTIAL；见 `docs/ACE_SEVEN_PRINCIPLES_AUDIT.md` §10）。**2026-11-11 现状修正（对 v9）**：`econlab/scenarios/macro.py` 默认 `model_version` 已是 `macro-v9-strict-labor`（`macro.py:655-656`），即**严格劳动市场默认 ON**（`strict_default = False if legacy else labor_demand_enabled`，`macro.py:994`；省略 `model_version` 的 config 走 v9），上文“默认关闭”只适用于 2026-11-09 的 v8 时代；19 个 macro yaml 显式 pin `model_version` = 18 个 `macro-v8-legacy` + 1 个 `macro-v9-migration`，因此 L4 v2–v9 与校准证据仍主要走 legacy 覆盖路径。
- **macro v9 strict labour-market 默认迁移（ENGINE-001，2026-11-10）**：新默认 `macro-v9-strict-labor` 在 price 后新增 `labor` phase；v8 legacy 路径保留且 `macro_v8_migration_control` 与已提交 `macro_calibrated` 的 19 个共同 numeric metrics / 13 个共同 series 列**逐位一致**。10/10 primary run verify+compliance pass；E3 显示默认改变是实质的：**mean_unemployment +0.11825（6.75%→18.58%）、mean_inflation −0.02101/季、mean_output +7.7%**。这**不是“v9 更真实”**：5 seeds、80 期、rule/mechanism agents、无 LLM，v9 的高失业水平是该简化模型的模型内行为。E1 有 **post-primary 修正**：literal-script-v2 = `migration_invalid`（132 个 control-only P9 金融指标 + `variant` 标签），corrected = `migration_verified_behavior_changed`（共同指标/序列逐位为 0；metric 交集是修脚本 bug，忽略 `variant` 是偏离预注册）。两个判定都必须在报告中并列，见 [`docs/ENGINE_MIGRATION.md`](docs/ENGINE_MIGRATION.md) 与 [`runs/engine_001_migration/report.md`](runs/engine_001_migration/report.md)。
- **L4-009 历史伪平行集合预测（2026-11-10，预注册；非实时）**：冻结 `macro-v8-legacy` + 预声明 32 seeds × 3 episodes，在 pre-origin 初值上生成集合，冻结 forecast 后才读 actual。判定 **mixed_weak**：GDP pooled MAE **5.5185** vs naive 零增长 **3.1998**，skill **−0.7246**（点预测不如 naive）；80% coverage **0.8438**、PIT **0.5605**（区间通过，但来自极宽 spread：GDP q05–q95 宽度 36.6–45.6pp、sd 14.0–16.9）。post-primary 发现 ea_2008 与 ea_2020 的 forecast 逐位相同（100 户模型把 7.9%/7.8% 初始失业都取整为 8 人），**有效独立 episode=2**；去重复子集 skill 仍负、coverage 仍 pass。独立交叉核对（task-33，只读）为 **PASS_WITH_WARNINGS**：32 checks = 27 PASS / 4 WARN / 0 FAIL / 1 NOT_CHECKED，96/96 observation 字段（含 CRPS）与指标在 1e-12 内一致、无未解释数值差异、独立重算 decision 仍为 mixed_weak；WARN 为 frozen_inputs 14 vs 预注册 15（design-only 文件）、rule 简写、MD 缺 runtime/timestamp、重复 episode（均不改判定）。**不宣称 Level 3、实时预测、概率预测或外部效度**；artifact `runs/l4_parallel_ensemble_primary/`，核对报告 `runs/l4_parallel_ensemble_crosscheck/report.json`（sha256 `80ba5bde…`），详见 [`docs/L4_PARALLEL_ENSEMBLE.md`](docs/L4_PARALLEL_ENSEMBLE.md)。
- 生产、税/转移/商品配给/央行流动性等宏观机制现由持久 mechanism agents（market settle / pool / endowment）的 action 执行；内置场景 `environment_events=()`，截至 2026-11-11 Wave3 全量核验的 522 个 run 共 9,918,351 条事件（transactions 8,984,501、turns 672,703、agents 43,404；provenance action 9,744,083、mechanism 111,345、observer 62,923、environment 0；另有 35 个残缺目录不计）；v8 前审计的 environment=0 结论仍成立，新增跨模型 run 抽检 901 条事件无 environment 来源。机制规则仍在 scenario transition 中应用，但只作为 agent action 的后果，见 [`docs/ARCHITECTURE.md`](docs/ARCHITECTURE.md) §3。
- Python 插件默认是**可信代码**：API 不把 `World`/recorder 交给 policy，validator 只见 `SemanticView`。需要隔离第三方插件时可用 `policy.kind: isolated`（每决策独立子进程，拿不到 World；仍不是 OS 沙箱，见 [`docs/PLUGINS.md`](docs/PLUGINS.md) §10）。
- **live 覆盖率（2026-11-11 Wave3 全量复核）**：522 run 中 live 参与 **104 个（19.9%）**——MiniMax 80（M3.1-Flash-Preview 65、M3 9、Text-01 6）+ 免费 `openai_compatible` 24；mock 67、none 351。按 scenario：ultimatum 79、ultimatum_architecture 13、macro 4、binary_ultimatum 4、engel 2、public_goods 2。live 共 **1,038 calls / 2,870,718 tokens**（prompt 2,287,052 + completion 583,666；cached 929,040），**$0.986941**。**live 只用于 LLM 相关臂**；rule/mechanism/backtest 不需要 provider（L4 的 202 个 backtest/设计验证 run 全 rule/mechanism、0 LLM；macro 315 run 中 live 仅 4，均为 1-seed smoke/后端敏感性）。104/522 是**组件覆盖率，不是外部效度或代表性**；修复前 3 个 live run 已移到 `archive/legacy_live_runs/`（verify exit 3），有效 live 样本主要是 5-seed 最后通牒 + 15 个 architecture/heterogeneous 对照 + 2-seed 工具臂 + 1-seed 宏观 smoke，够作方法层样本与成本校准，仍不够机制归因或宏观结论。
- `exchange` 的预算约束、`macro` 的家庭支出现在有**语义校验 + LLM repair turn**：schema 合法但预算不可行的 action 会被打回重试，而不是静默裁剪；超过重试次数才失败。
- mock 后端的知识消融在构造上不产生行为差异；它只能验证管线，不能用来估计知识效应。
- `ultimatum`/`public_goods`/`double_auction`/`macro` 会在 setup 自动创建持久 mechanism agents（endowment / pool / settle 等），以保证期初资源注入与结算由 agent action 执行；这些 agent 会出现在 `agents.json` / `turns.jsonl` 中。`double_auction`/`exchange`/`macro` 在配置没有显式 market/auctioneer 时也会自动创建机制 agent；如果要测试“无市场”处理组，需要显式改 scenario。`exchange` 的种子变异通过 `scenario.params.endowment_jitter`（规则配置为 0.2）注入，不同 seed 不再产生相同轨迹。
- UI 是本地单用户工具，没有认证；不要绑定 `0.0.0.0` 暴露公网。后台 run 在 UI 进程内，关闭 UI 会中断未完成的 run。
- 宏观校准是**方向性校准**，不是结构估计；80 期相关性的标准误未做 HAC 修正，不能当点预测。
- `PhaseSpec.mode` 显式区分 simultaneous（默认，phase 快照）与 sequential（逐 actor 重建 Observation）；内置场景全部 simultaneous，Stackelberg 顺序应拆 phase 或显式 sequential。
- evidence 有 event/transaction/stock-flow 链式 hash；`econlab/signing.py` + `scripts/evidence_keys.py` 支持 **HMAC-SHA256 签名**：新 run 若存在环境变量 `ECONLAB_EVIDENCE_KEY` 或默认 key 文件 `.econlab/evidence.key`（已 gitignore），`freeze_evidence`（`econlab/kernel.py:1052-1060`）在生成时写入 `signed_at_generation=true` 的签名；verify 重算 HMAC 并输出 `signature.{present,scope,key_source}`，新增 `--require-signature`（generation 或 retroactive 均算）与 `--require-generation-signature`（仅 generation）两个全量校验开关，summary 带 `signature_counts`。**484 个旧 run 均已做回顾性 attestation**（`attestation="retroactive-2026-11-11"`、`signed_at_generation=false`；verify 的 `scope=retroactive` 会产生 **warn** check `evidence_signature_scope`），**2026-11-11 新增 38 个 run 为生成时签名**（`signed_at_generation=true`）；**generation-signed = 38、旧 484 永久为 retroactive**，所以 retroactive 是**本地 tamper-evidence，不是第三方时间戳，也不证明旧 run 在生成时已签名**，不能当外部审计或时间证明。`metrics.json`/`run.json` 自新 run 起写 `engine_version` / `schema_version`，verify 新增 `engine_metadata` 检查（旧 484 份无该字段→warn，新 38 份有→pass）；全量台账 `archive/checks/verify_all_runs_2026-11-11_final.json`（522/522 pass，154,378 B，sha256 `32af6a04…`，signature_counts generation 38 / retroactive 484，0 violations）。没有 key 时链可抓常规篡改，但不是密码学认证。
- 开放系统 API `World.create_agent / destroy_agent / subsume_agent` 已有测试，仅允许在 phase 之间调用；内置场景未使用，以免改变现有校准。

---

## 14. 参考与方法论对应

- [ACE 七原则](https://faculty.sites.iastate.edu/tesfatsi/archive/tesfatsi/ace.htm)
- 上传的 `final_turn_001.md`（六层实施路线、四轴异质性、方差分解、action/tool 分离、L0–L5 边界）
- Tesfatsion, *Modeling Economic Systems as Locally-Constructive Sequential Games* (2017)
- Varian, *Intermediate Microeconomics*, 9th ed.
- Mankiw, *Principles of Economics* / *Intermediate Macroeconomics*
- EconAgent (ACL 2024), ABIDES / ABIDES-Economist, Shachi (2025)

本项目把这些文献的**设计约束**落成代码；不宣称复现了它们的全部结果。
