Phase 2 Scaffolds · 三项基础设施骨架

Phase 2 报告 §6 三项能力已交付基础设施骨架——不是生产就绪。本页诚实标注每一项的验证状态、KPI 关联、CI 门禁。

CI 门禁 scripts/check_phase2_scaffolds.py 强制：scaffold 类必须含 "NOT VERIFIED" / "SCAFFOLD" / "STUB" 免责声明，否则 CI 直接 FAIL——防止把骨架当生产就绪上线。

🔴 诚实边界

这不代表 Phase 2 已交付。Phase 2 报告说"3-6 月"，我们只完成了骨架代码：接口、协议、算法函数、CI 门禁。生产就绪还需要：

1️⃣ 真实数据流（drift detector 从未跑过真实时序批次）
2️⃣ 真实第二后端（BoTorch / GPyTorch / 不同算力平台之一）
3️⃣ 参数校准（drift detector 阈值 h 需在真实数据上重标定）
4️⃣ KPI 测量（kpi-sci-external-reproduction 仍是 unmeasurable）

✅ REAL IMPL

Multi-Fidelity 代理模型

Kennedy-O'Hagan auto-regressive cokriging

历史产物，真实现。字段原生（PCA latent）+ UQ（校准地板）。已纳入 V&V 流水线。

engine/multifidelity.py

State: production
CI gate: 现有 V&V pipeline 覆盖
KPI: 已接入 data/kpi_registry.json

🟡 SCAFFOLD / NOT VERIFIED

Temporal Drift Detection

Page-Hinkley (1954) + CUSUM

两个经典变点检测器。算法是教科书级正确的，但阈值未在真实数据上校准——当前 h 参数基于合成高斯流。

engine/temporal_drift.py

State: scaffold
Self-test: 2/2 PASS（合成流）
KPI: 尚未挂钩（Phase 2 基础设施）
下一步: 用真实 batch 时序校准 h + λ 参数

🟡 STUB / NOT INDEPENDENT

Second Backend Interface

Protocol + Reference stub implementation

定义了 SecondBackend / BackendSurrogate 协议和 compare_predictions() 比对函数。stub 实现与主后端不独立——只有 CI 管线用途，无法证明外部复现。

engine/second_backend.py

State: stub
Self-test: 5/5 PASS
KPI: kpi-sci-external-reproduction 仍 unmeasurable
下一步: 接入 BoTorch / GPyTorch 之一作为真第二后端

🔍 CI 门禁 · scripts/check_phase2_scaffolds.py

每个模块必须满足：存在 · 可 import · self-test 通过 · （scaffold 类）含免责声明。任何一项失败 CI 直接 FAIL。

# 当前状态（本地跑通）
[PASS] engine/temporal_drift.py  (scaffold)
       exists=True importable=True disclaimer=True selftest_rc=0
[PASS] engine/second_backend.py  (scaffold)
       exists=True importable=True disclaimer=True selftest_rc=0
[PASS] engine/multifidelity.py   (real_impl)
       exists=True importable=True disclaimer=False selftest_rc=-1

== PASS — 3/3 phase-2 scaffolds OK ==

门禁强制：scaffold 类模块必须在 docstring 前 30 行内出现 SCAFFOLD / NOT VERIFIED / STUB / not-independent 之一。real_impl 类不要求（防止对真实现加无用标注）。

📊 阈值校准参考

drift detector 默认阈值是在合成高斯流（前 60 点 N(0,1) + 后 60 点 N(5,1)）上扫描得到的：真实数据接入后必须重新校准。

Detector	参数	值	来源
Page-Hinkley	λ	0.5	有效记忆约 2 步
Page-Hinkley	δ	0.0	零漂移幅度假设
Page-Hinkley	h	8.0	合成流扫描：h=8 检出 at 61（真 60），h=15 漏检
CUSUM	k	0.5	0.5 σ slack
CUSUM	h	10.0	合成流扫描：h=4 前段误报，h=10 检出 at 47

✅ 与 KPI Dashboard 的关系

本页支撑 KPI Dashboard 中 kpi-sci-external-reproduction（当前 unmeasurable，需真第二后端）。Temporal Drift 暂无 KPI 挂钩——它是 Phase 2 基础设施，不属于 Phase 1 度量范畴。

🚧 升级到生产就绪需要什么

骨架项	升级到生产就绪的最小条件	预计工作量
Multi-Fidelity	已在 V&V 流水线。仅需多保真度 BO 编排（acquisition 层）+ 真实多保真度数据	1-2 月
Temporal Drift	≥ 3 批真实时序数据 + 阈值重标定 + 前瞻 drift 事件记录	2-3 月
Second Backend	接入 BoTorch 或 GPyTorch 作为真独立后端 + `compare_predictions` 在 held-out 上 ≥ 85% 匹配率	3-4 月