# Diagnosis Eval Baseline Diff

**状态**：已归档  
**严重程度**：中  
**发现时间**：2026-07-05  
**来源**：P1-B follow-up  
**依赖**：`diagnosis-eval-harness`, `expand-diagnosis-eval-fixtures`

---

## 背景

现在项目已经有固定诊断 case、完整 fixture 和 baseline report。下一步需要把 baseline 真正用起来：每次改 Agent 后，把新的 report 和 baseline report 做对比。

---

## 问题

当前 baseline 只能告诉我们“标准状态是什么”，但还不能自动告诉我们“这次改动有没有变差”。

典型问题包括：

- pass rate 是否下降。
- 某个 case 是否从通过变失败。
- 某个 evidence tool 是否从覆盖变成缺失。
- verifier verdict 分布是否异常变化。
- 平均工具调用数和耗时是否明显上升。

---

## 目标

新增一个 deterministic baseline diff 能力，用代码比较两份 `DiagnosisEvalReport`。

完成后应该做到：

- 输入 baseline report 和 current report。
- 输出结构化 diff。
- 标出 regression、improvement 和普通 changed。
- 支持 JSON 和 Markdown 输出。
- 文档说明面试时怎么解释这套回归判断。

---

## 范围

### In scope

- report-level diff 数据结构。
- aggregate 指标比较。
- case-level 指标比较。
- JSON / Markdown diff writer。
- focused tests 和 eval 文档。

### Out of scope

- 不运行真实 Agent。
- 不生成新 trace。
- 不引入 LLM-as-judge。
- 不改现有 evaluator 评分规则。

---

## 面试表达

可以这样讲：

```text
我不是只保存了一份 baseline，而是加了 baseline diff。
每次改 prompt、tool、retrieval 或 verifier 后，
我都能把新 report 和 baseline 比较，
直接看到哪些 case 退化、哪些证据缺失、成本有没有上升。
```