Week 8：私有端到端评测
本周检验的是自主软件工程系统，而不是小组能否临时手工完成另一个应用。教学组向冻结系统提供此前未公开的同规模任务，在统一环境和资源预算下运行，并对输出仓库进行独立评价。
- 截止前提交并推送系统 commit，教学组记录模型、依赖和配置；
- 评测环境从该 commit 构建系统，注入私有任务和临时模型凭据；
- 按统一入口启动，保存所有规定中间产物、工具事件和资源记录；
- 运行期间原则上不允许人工修改生成代码或向 Agent 补充任务答案；
- 平台或基础设施异常按统一规则重跑，系统自身失败保留为评测结果；
- 生成结束后封存输出仓库和日志，再开始功能与质量评价。
- 冻结的自主系统仓库与 commit；
- 私有任务输出的软件仓库；
- Requirement IR、设计、测试和修复等中间产物；
- 完整事件日志、最终状态和资源统计；
- 课后复盘：成功、失败传播路径、人工本可如何改进，以及下一版方案。
评测采用四层证据：
- 确定性运行检查：仓库结构、安装、构建、启动、健康与清理；
- 独立自动化测试：核心功能、业务规则、边界、异常和鲁棒性；
- 结构化仓库审查：架构、测试质量、硬编码、依赖、安全和可维护性风险；
- 定向人工检查：主要用户流程、交互完整性及自动结果中的争议项。
系统自行生成的测试用于评价其测试与修复能力，但最终功能正确性由教学组测试决定。一次优秀运行不自动证明稳定性；教学组可在预算允许时对部分任务或系统复测。
- 需求满足程度与关键业务规则正确性；
- 输出仓库是否可构建、可运行、可理解和可继续维护；
- 测试是否具有真实缺陷发现能力；
- 系统能否根据反馈修复且不制造明显回归；
- 从任务输入到最终仓库的自主完成程度；
- 过程是否可复现、失败是否可诊断、资源使用是否遵守限制。
私有任务细节、隐藏测试和执行凭据不会在评测前公开。