feat(harness): 低分自动纠偏 —— poor 触发评语驱动重生成，取更优者（测温计→恒温器）

评测闭环延伸出自愈：当自动评测判定输出为 poor(综合<0.5)，dispatcher 在热路径外
自动用「原问题+初版回答+评审短板(flags/评语)」(有来源则连来源一并喂回、要求严格基于来源)
让模型重写，重评后仅当新分严格更高才采纳(绝不退步)；采纳的修订版落会话历史，
保证多轮上下文用的是好答案而非被判低分的初版。评测终值带 corrected 标记经 NATS→网关落库。

- maxRefineRounds=1：poor 稀少，1 轮重写+重评够用，防成本失控
- canRefine 门控：模型就绪且熔断未开才纠偏，避免后端抖时雪上加霜
- 单 goroutine 串 评测→纠偏→落历史，杜绝原两 goroutine 对答案版本的竞态
- 契约 EvalEvent / Eval 表 / upsert / GET /tasks/:id/eval 均加 corrected 字段
- refine_test.go：采纳更优 / 不退步 / 非低分不触发 三测；live 验证好答案不误触发

Co-Authored-By: Claude Opus 4.8 (1M context) <noreply@anthropic.com>

sundynix-dispatcher/internal/eino/orchestrator.go

@@ -193,37 +193,118 @@ func (o *Orchestrator) Handle(ctx context.Context, t *contract.Task) error {
 	o.breaker.Report(true)
 	o.finishStatus(t.ID, nil)
 
-	// 写回阶段：离开热路径、异步落历史 + （TODO）抽取记忆。
-	go o.memorize(t, answer)
-	// 自动化评测：离开热路径，对本轮输出打分并记录（规则 + LLM-as-judge + RAG 忠实度）。
-	go o.evaluate(t, dsl.Compile(t.Graph).Query, answer, refs)
+	// 写回阶段（离热路径，单 goroutine 串起评测与落历史）：
+	// 先评测（低分则自动纠偏重生成、取更优者），再把最终采纳的答案落会话历史 —— 保证
+	// 多轮上下文用的是纠偏后的好答案，而非被判低分的初版。
+	go func() {
+		query := dsl.Compile(t.Graph).Query
+		final := o.evaluate(t, query, answer, refs)
+		o.memorize(t, final)
+	}()
 	return nil
 }
 
+// maxRefineRounds 是低分自动纠偏的最大重生成轮数（防成本失控/死循环）。
+// 每轮 = 1 次重写 + 1 次重评；poor 本就稀少，1 轮足以覆盖大多数偶发劣化。
+const maxRefineRounds = 1
+
 // evaluate 异步对一次输出做自动化评测并记录评分（off 热路径，不影响响应）。
+// 低分（poor）时触发"评语驱动"的自动纠偏：重生成更优答案、重评、取更优者（恒温器闭环）。
 // sources 为本轮检索来源：非空时额外评忠实度（幻觉检测）。
-func (o *Orchestrator) evaluate(t *contract.Task, input, output string, sources []string) {
+// 返回最终采纳的答案（纠偏成功则为修订版，否则为原文）——供调用方落会话历史。
+func (o *Orchestrator) evaluate(t *contract.Task, input, output string, sources []string) string {
 	if o.eval == nil {
-		return
+		return output
 	}
-	ctx, cancel := context.WithTimeout(context.Background(), 15*time.Second)
+	ctx, cancel := context.WithTimeout(context.Background(), 45*time.Second)
 	defer cancel()
 	r := o.eval.Score(ctx, input, output, sources)
 	level := evalLevel(r)
 	log.Printf("[eval] task %s 综合 %.2f（规则 %.2f / LLM %.2f / 忠实 %.2f，来源 %d）level=%s flags=%v %s",
 		t.ID, r.Overall, r.Rule, r.LLM, r.Faithful, len(sources), level, r.Flags, r.Reason)
-	if level == contract.EvalPoor { // 低质量告警（可观测 + 后续可挂报警）
-		slog.Warn("eval poor quality", "task_id", t.ID, "overall", r.Overall, "faithful", r.Faithful, "flags", r.Flags)
+
+	// 低分自动纠偏：把"问题 + 初版回答 + 评审短板"交给模型重写，重评后仅采纳更优者（不退步）。
+	corrected := false
+	for round := 0; level == contract.EvalPoor && round < maxRefineRounds && o.canRefine(); round++ {
+		newOut, newR, ok := o.refine(ctx, t, input, output, sources, r)
+		if !ok {
+			break // 重写失败或未改好：保留当前最优，停止
+		}
+		prevOverall := r.Overall
+		output, r, level, corrected = newOut, newR, evalLevel(newR), true
+		log.Printf("[eval] task %s 自动纠偏第 %d 轮采纳：综合 %.2f→%.2f level=%s", t.ID, round+1, prevOverall, r.Overall, level)
 	}
-	// 闭环：评测结果落库（供 UI 查询 / 质量趋势 / 门控）。
+
+	if level == contract.EvalPoor { // 纠偏后仍低质量：告警（可观测 + 后续可挂报警）
+		slog.Warn("eval poor quality", "task_id", t.ID, "overall", r.Overall, "faithful", r.Faithful, "flags", r.Flags, "corrected", corrected)
+	}
+	// 闭环：评测结果（纠偏后终值）落库（供 UI 查询 / 质量趋势 / 门控）。
 	if o.evalSink != nil {
 		if err := o.evalSink.PublishEval(&contract.EvalEvent{
 			TaskID: t.ID, Overall: r.Overall, Rule: r.Rule, LLM: r.LLM, Faithful: r.Faithful,
-			Level: level, Flags: r.Flags, Reason: r.Reason, Sources: len(sources), TS: time.Now().UnixMilli(),
+			Level: level, Flags: r.Flags, Reason: r.Reason, Sources: len(sources), Corrected: corrected,
+			TS: time.Now().UnixMilli(),
 		}); err != nil {
 			log.Printf("[eval] 回写评测结果失败 task=%s: %v", t.ID, err)
 		}
 	}
+	return output
+}
+
+// canRefine 报告是否具备自动纠偏条件：模型就绪且熔断未开（重写要再打一次模型，避雪上加霜）。
+func (o *Orchestrator) canRefine() bool {
+	return o.pool != nil && o.pool.Ready() && (o.breaker == nil || o.breaker.Allow())
+}
+
+// refine 对低分输出做一次"评语驱动"的重生成：把原问题 + 初版回答 + 评测短板（flags/评语）
+// 交给模型重写，再重新评分。仅当新分严格更高时采纳（ok=true）；否则保留原文（不退步）。
+// 有检索来源时把来源一并喂回，要求严格基于来源作答（同时压低幻觉）。
+func (o *Orchestrator) refine(ctx context.Context, t *contract.Task, input, output string, sources []string, prev harness.Result) (string, harness.Result, bool) {
+	tr := o.tracer(t.ID)
+	end := tr.span("refine", "system", "低分自动纠偏")
+
+	critique := strings.Join(prev.Flags, "；")
+	if prev.Reason != "" {
+		if critique != "" {
+			critique += "；"
+		}
+		critique += "评语：" + prev.Reason
+	}
+	if critique == "" {
+		critique = "整体质量不足（相关性/准确性/完整性欠佳）"
+	}
+	sys := "你是严谨的回答修订专家。下面给你一个用户问题、一份质量不足的初版回答、以及评审指出的问题。请针对这些问题重写一份更准确、相关、完整的回答。"
+	srcBlock := ""
+	if len(sources) > 0 {
+		srcBlock = "\n\n【可参考的检索资料（严格基于它作答，不要编造资料外的内容）】\n" +
+			truncate(strings.Join(sources, "\n---\n"), 3000)
+	}
+	user := fmt.Sprintf("【用户问题】%s\n\n【初版回答（质量不足）】%s\n\n【评审指出的问题】%s%s\n\n请直接输出修订后的回答正文，不要解释你做了哪些修改。",
+		truncate(input, 1000), truncate(output, 2000), critique, srcBlock)
+
+	revised, err := o.pool.Chat(ctx, []llm.ChatMessage{
+		{Role: "system", Content: sys},
+		{Role: "user", Content: user},
+	})
+	if err != nil || strings.TrimSpace(revised) == "" {
+		end("重写失败", errOrEmpty(err))
+		return output, prev, false
+	}
+	newR := o.eval.Score(ctx, input, revised, sources)
+	if newR.Overall <= prev.Overall {
+		end(fmt.Sprintf("重写未提升（%.2f≤%.2f），保留原版", newR.Overall, prev.Overall), nil)
+		return output, prev, false
+	}
+	end(fmt.Sprintf("已采纳修订：综合 %.2f→%.2f", prev.Overall, newR.Overall), nil)
+	return revised, newR, true
+}
+
+// errOrEmpty 把空输出也表达成一个错误，供 exec error 事件着色。
+func errOrEmpty(err error) error {
+	if err != nil {
+		return err
+	}
+	return errors.New("空输出")
 }
 
 // evalLevel 据综合分 + 忠实度把评测分级（闭环门控/告警用）。