PR 内容

检查已报告的失败：一次照看式的后续消息变成了 PR 的标题和正文。一份临时检出包含把写作者指回那次后续消息的说明。对照案例没有照看请求。两者都必须描述模型退役的差异。自定义说明案例要求配置好的标题前缀在生成 PR 后仍然保留。

cd evals
pnpm pr-content --model gpt-6-luna --out runs/pr-before
pnpm pr-content --model gpt-6-luna --out runs/pr-after --baseline runs/pr-before/results.json

使用本地 Codex 登录和服务器实际的 PR 生成器。每个案例运行三次。--case babysit-followup 限制这次运行；未知案例会在发起模型调用之前失败。结果包括生成的文本，以及它是否点出了这项更改、而没有报告照看失败。一个案例在至少一半样本失败时失败。除了自动结果，也要复查正文是否准确。

基线在模型调用或写出结果之前被读取并校验，然后复制到输出目录供比较。运行通过本地订阅使用付费模型调用，完整套件是九次调用。这里的 CLI 不暴露每次调用的费用。