feat(benchmark): recover native feedback and explicit research waits

[songoow]

目标与交付边界

原生提交可能丢回复，结果也可能晚于工作区中的新候选。研究必须继续使用原操作、已接受的 native 身份、不可变候选快照和对应反馈，并使等待该结果的工作可靠恢复。

这是 #6784 / #6838 拆分中的 C3 native 反馈与等待恢复。提交、反馈消费和 canonical 等待互相依赖，因此作为一个完整可回滚的切片审阅。

Author Declaration

• Written by: model_agent — OpenAI GPT-6 Astra（本轮拆分收尾；功能来源为原 fix: preserve research progress across replans, waits and Host recovery #6838 及其前置 PR）。

Implemented against

• Specification and revision: #6838，固定来源 eac81014fd3a8842ddd420d7908657af107c6787；研究运行合同：Native acceptance and recovery、Explicit feedback dependencies and wakeup；研究 RFC §5.4、§6.2、§6.3。

Criterion (spec clause)	Disposition	Symbol / path	Test or command
Native acceptance/recovery：原操作和 accepted 归档唯一绑定；丢回复恢复且不重复 POST；歧义保持未知	implemented	research_submission.py；edgebench/research_feedback.py	原 native HTTP/cost 30 passed + 4 skipped；另一明确组合输入精确补四 native 脚本节点 4 passed，分批披露。
Explicit feedback dependencies/wakeup：指定工作等待，durable finding/link 先于释放；不消费模型 Turn，旧包/并发不能撤销新完成信号	implemented	research_feedback_wait.py、research_feedback_sync.py、research_scheduler.py	本轮原完整 SQLite native result→实际改变实验节点 1 passed（65.65 秒）；专门重放/并发矩阵仍未补跑，没有将 native 矩阵记为全绿。
Measurement/checkpoint boundary / RFC §5.4、§6.2：区分 native outcome、控制成本、wall/tokens 与未知覆盖，恢复资格独立保留	implemented	edgebench/research_cost.py、export_report.py；runtime/RESEARCH_LOOP.md	原 test_research_cost.py 在 30 passed 批次内通过；新增 journal 的正式 checkpoint 恢复资格仍另列未取得。
研究运行合同：fresh 显式 treatment，旧 checkpoint 不自动升级；RFC §4 的收益资格由实证决定	implemented	sforge.py、sforge_backend.py、harbor.py	原 opt-in/安装回归保留；未运行正式模型评测，不改变默认或宣称首次/长程收益。

• Self-check before submission: 核对完整来源恢复、每批准确源码/依赖输入、未跑项与失败项；按仅已执行的行为总结证据。当前发布树继承的测试修复单独列示，不能将旧参考组合结果直接赋给新 head。

变更与结果

• 在真实 sforge-submit 打包与单次 POST 边界保留 operation ID 和不可变归档，验证 accepted submission/round/归档身份。丢回复恢复原操作；歧义保持未知，不自动重复提交。
• 两类明确的受理前容量 503 允许稍后显式提交。只读 native token 可见的 public history/result；晚到或负面结果绑定原候选，损坏归档不妨碍独立有效结果。
• sforge-submit --wait-todo / loopx-research-feedback wait 显式建立指定工作依赖，独立工作继续普通准入。runner observation Todo 由既有权限限制，不授予模型领取权。
• 沿现有 Explore attachment、追加事件与 canonical Todo API 写回；finding 与 link 持久化读回后才释放等待。部分失败按原身份重试，不创建模型 Turn 或消费工作 slot。
• 非阻塞消费者锁、canonical observation 完成版本与重建通知覆盖并发、旧包 replay 和通知丢失。调度唤醒之后仍经过普通准入。
• EdgeBench fresh heartbeat-explore --research-loop 显式启用整组处理；保留开关和成本 receipt。缺失/歧义计数保持未知，wall time 不重复叠加重叠阶段；旧 checkpoint 不自动升级。

依赖与完整性

• PR base：codex/split-research-execution-evidence；前置 C2：feat(research): retain execution evidence through Explore replans #6901；发布 head：a083bbf70880f09975e5f44fee67a60251ffbab3。
• 本片来源 tree：8f852d440aae2875e916463236c79fa5ee984aff；26 个文件。
• 原始 C1/C2/C3 累计 tree 等于冻结完整来源，本轮重新执行 tree/diff 比对确认；前片暂缓的三个 native 注册回归已恢复。当前发布组合为该来源加已列明的 A1 测试归属迁移、B4 fixture 退出时先等 HTTP 请求完成、注销自身 Effect runtime，并等待子进程 close 后再删临时根的修复；发布 tree 与来源 tree 分别记录，不能再宣称发布树与旧来源逐字节相等。C1 本轮原始背压单例通过，未据此引入产品修复。
• 本片没有额外 UI 改动，研究历程执行详情与 synthetic 视觉证据归 C2。整组组合后的正式评测使用集成分支。

验证：按真实输入分别记录

输入与范围	结果
本片来源 tree；Ruff、AST、明确路径扫描、diff check	通过。
本片来源 tree；test_native_research_feedback.py + test_research_cost.py，显式当前源码与既有依赖环境	30 passed / 4 skipped / 0 failed（200.15 秒）；4 项因该环境缺少 sforge 跳过。
旧最终组合参考 tree 2342ad53e30bb47552af866125b539519571d876；仅补上述 4 个精确节点，另一已有 sforge 环境	4 passed / 0 skipped / 0 failed（76.12 秒）；覆盖两类真实 native 容量拒绝，以及实际 submit 脚本正常/丢回复恢复。
同一旧最终组合参考 tree；control-plane / Dashboard typecheck、outcome_research_continuity_integration.test.ts	typecheck 通过，1 个 TS 测试文件通过。
本轮 C3 来源 commit 6efcd6d1c093bc90885d64c5a7ed2fd15e3a5eec / tree 8f852d440aae2875e916463236c79fa5ee984aff；原 test_native_result_reaches_replan_and_a_changed_real_experiment[sqlite]	1 passed / 0 failed / 0 skipped（65.65 秒）。实际 Python imports 来自该 checkout，Python 3.12.14 / pytest 9.1.1；Node v24.19.0、SQLite 3.53.3，原 runtime qualification=true。源码、断言与期限未改。

前两批 Python 运行的源码与依赖环境不同，不能合并成一次“34 passed”；新增 SQLite 单例也单独记录。这些测试使用 synthetic 本地 HTTP、实际本地候选进程和已有 native 脚本，没有调用外部模型或正式 benchmark。新单例通过对应明确的 C3 来源 tree，不是最终发布 head 的完整回归；发布/集成输入与 packaged 结果仍需分别核对。

本轮 SQLite 闭环实际运行两步候选后只发一次 native POST，在原 Turn 建立显式等待且不消费额外预算；工作区候选改变后，迟到的零分仍关联原不可变归档，真实 finding 写回并释放原 Todo/Turn。测试参与者据反馈改变候选、实际执行五步实验，读回不同候选哈希与 stdout，再经普通 refresh-state / Explore 写回与一次 settlement。这个闭环验证同一工作恢复与下一次实际实验；独立候选阶段、stride replan obligation 与新 Todo 的路径由 C2 的来源 tree 单独验证。

仍未解决或未验证

C1 与完整来源 C3 的 backpressure[file] 历史运行均在相同收头断言失败，原记录保留。前置 C1 本轮在其来源 tree dbf2a4e5f8ed416dffbdeff999a7908db8ff7d8d 上同一原节点精确诊断 1 passed（31.05 秒），未改源码、断言或期限；该结果不等于本片同节点已重跑通过，也不确定历史失败根因。

原专门 File/SQLite 等待、持久化写回重放、并发消费者/旧包矩阵在先前运行中未执行，本轮没有补跑；上述 SQLite 闭环覆盖其实际主路径的一部分，不能替代这些独立故障/竞态验收。test_native_result_reaches_replan_and_a_changed_real_experiment[file] 本轮也未补跑，不能将 SQLite 通过记为 File 通过。工程链路与 tree 等价均不证明首次分数或长期收益已改善；checkpoint 恢复继续受原 writer barrier、操作身份、预算及证据资格约束。

本轮发布链与集成验证

• 本 PR 当前发布 head：a083bbf70880f09975e5f44fee67a60251ffbab3；tree：8c814a5fce0e3d410d157fc597f84a098680828f。
• 完整拆分现为 12 个普通 PR。实际 source refs、head/tree 和依赖祖先已逐一读回；每片 base 为真实已发布前片，完整顺序与后续状态集中维护在 #6838。
• 统一集成分支 commit d1dc8ebfe，tree cb8b1777655d7f37e3571b5087d6cd4db286dbbd，组合本次观察的 main 45d742088a3f7896a0a008761f68d2437398bcd1 与上述 12 个实际 source heads。LoopX supplied-candidate 收据为 in_sync、drift 为空；远端集成 head 已读回。
• 完整性：集成 tree 等于冻结的完整来源与同一 main 合并后，加 A1 的 v2 测试断言迁移及 B4 的请求 drain/退出检查修复。唯一合并冲突是 chat_store.py 指标基线，按自动合并文件实测的 2067 行结算；没有新增集成专用产品逻辑。
• 静态资格：逐切片 RFC 双语检查 12/12 通过；拆分基线后的唯一历史提交 DCO/作者匹配 14/14 通过。集成 tree 的 control-plane TypeScript 检查 passed（50.754 秒），标准 Chat 打包构建（包含 Dashboard TypeScript）passed（131.930 秒）。构建在同 tree 的本地候选上运行，随后核对与上述远端 tree 完全一致。
• 当前 packaged UI：Outcome 恢复场景首轮在原 90 秒 fixture 启动窗口内未就绪（总计 92.463 秒），尚未进入浏览器；原失败保留，正在定位。Worker readback 与 research-history 的当前集成场景待串行验证。本段不将构建成功写成浏览器通过。
• 本轮实际路径使用 synthetic 本地 authority/native HTTP，没有外部模型或正式 benchmark。每项历史/本轮来源版本仍按上文分别记载；CI 和 review 的合并门禁单独判定。