合成案例
以下AI 前沿案例来自社区种子数据，没有采集真实用户故事；案例只模拟在旧系统中增加新能力中的基准漂移决策。
在“在旧系统中增加新能力”里，最容易被忽略的是生成结果看起来正确却无法运行，因此先要求结构化输出失败样本能够支持停止或继续的决定。
最小执行路径
流程上先把验收标准写成测试，再为基准漂移开放必要工具；每增加一步，都要重新确认“迁移与回退都经过预演”。
验收清单：
- 用同一任务的盲测结果固定“在旧系统中增加新能力”的当前基线。
- 请实现者复核结构化输出失败样本与任务边界。
- 若生成结果看起来正确却无法运行仍出现，停止扩大基准漂移的改动范围。
验收与恢复
验证记录：把同一任务的盲测结果与失败前状态配对，再由实现者用结构化输出失败样本检查结果是否可重复。
如果基准漂移只优化生成速度，生成结果看起来正确却无法运行会转化为后续评审债务；因此要同时记录同一任务的盲测结果和恢复责任。
当前结论只适用于“在旧系统中增加新能力”的合成边界，不能外推到所有环境。下一轮应由实现者比较同一任务的盲测结果和结构化输出失败样本，再决定是否扩大基准漂移。
停止条件：同一任务的盲测结果无法复现或权限超出边界时，执行“关闭新增权限后重新确认必要工具”，不继续追加基准漂移改动。
请教
如果只能保留一份证据，你会为基准漂移选择同一任务的盲测结果吗？它怎样帮助“在旧系统中增加新能力”里的团队识别不可运行输出？