我用华为云码道 CodeArts 做了个会翻脸的日历:6000 组随机差分抓到 2411 处分歧,根因只有一个

**一键开通华为云码道 CodeArts 代码智能体: **https://developer.huaweicloud.com/codeartsco.html?source=dmzntgwatomgit1&sourcead=dmzntgwatomgithd

在这里插入图片描述

先说结论

仓库:https://atomgit.com/wangyu11112/rrule-calendar(public)

这一篇的判分方式跟常规做法不一样。我没有让码道"写完再看像不像",而是先花两个小时自己写了一份互不引用的独立实现,再从 dateutil 那 4914 行的官方测试里抠出 90 条真值向量。所有对错都只问一句话:两条完全独立的推导路径,输出是否逐个日期相等。

结果分三段:

  • 码道第一轮交付的核心层,90 条官方向量过 80 条;6000 组随机差分里 2411 组分歧(其中 1471 组它直接抛错)。

  • 这 2411 组分歧追到底只有一个根因:它按 max(count*5, 50) 个基周期估算逐日扫描的地平线,隐含假设"每个周期平均至少 1/5 概率命中"。可基周期是可以连续空转的。

  • 修完之后 89/90。最后那 1 条不是它写错的,是我一句话把 bug 喂进去的。

在这里插入图片描述

这个选题是怎么定下来的

先说被否掉的三个方向,因为它们比留下的这个更能说明取舍。

潮汐钟被否。国家海洋预报台按月发布《我国主要港口潮汐预报》,逐日列高低潮时刻和潮高,一手真值漂亮得很。但它是"数据新鲜度"型的锚——今年对得上,明年得重新扒表,而且算法本身薄。我上一篇地磁偏角已经吃过一次"选题很炫但我一年用不到第二次"的亏。

GCJ-02 坐标加偏被否。这个题看起来更有戏剧性(同一个点在两张地图上差 500 米),但加偏算法国测局本来就不公开,我拿不到客观真值,只能拿另一个民间逆向实现去对——两个都可能是错的,护城河是空的。

节假日加班费被否。倍率是劳动法明文(1.5/2/3 倍),看着硬,但真正的难点全在"今年那份放假安排通知"上,那是数据不是算法。而且 2027 年的安排还没发布。

留下的三个判据我一直没放宽:一秒看懂(非技术的人也被抓到)、有客观真值可对拍(能把"好不好看"变成"准不准")、我自己真的会反复用。

第三条是这次特别加的。日历重复规则这玩意儿,我每月排班、每季度对账、每年给父母手机设体检提醒,全都是"每两周周三"“每月最后一个工作日”“每年 2 月 29 日”——而我每次都得在脑子里重新推一遍,还经常推错。它的规则表达是 RRULE,一套 1997 年就定了标准的语法(RFC 5545),全宇宙的日历软件都在用,包括你手机里那个。
在这里插入图片描述

先把裁判立起来:从 4914 行里抠出 90 条真值

dateutil/tests/test_rrule.py 有 4914 行、328 个 assertEqual 块。我写了个抽取器,把 self.assertEqual(list(rrule(...)), [datetime(...), ...]) 这种形状的块解析成 {规则对象, 期望日期数组}。

第一次跑,输出 vectors: 0,328 块全跳过。原因是我照 Python 惯例写了 datetime.datetime(...) 的正则,但那文件顶部是 from datetime import datetime,期望值全是裸 datetime(...)。改了个字符,185 条出来了。

但 185 条里 BYDAY 一条都没有——dateutil 写周几用的是 MO、TU(1)、FR(-1) 这种符号,我的抽取器只认数字元组,遇到就整个 return null。而"每月最后一个周五""每年第 3 个周二"恰恰是这个产品最有说服力的用例,锚必须盖住。补了个星期几词法解析后,234 条,其中 18 条带序号。

按支持的 freq 与部件范围一过滤,可进对拍的 90 条:

dropped: {byyearday: 16, byweekno: 20, byeaster: 12,
          freq:HOURLY: 32, freq:MINUTELY: 32, freq:SECONDLY: 32}
usable: 90   (YEARLY 26 / MONTHLY 26 / WEEKLY 25 / DAILY 30 量级)

剔掉的这些我在 README 和这一篇里都写成"不支持",不假装通过。

我的独立实现故意走了另一条路

如果我也照"取基周期 → 在周期内展开 → 掩码过滤"那个经典结构写一遍,那对拍就只能证明"两份相似结构的代码打字都没错",信息量很低。所以我选了逐日扫描 + 纯成员判定谓词:从起始日一天一天往前走,对每天问一句"这天算不算命中",答案 = (基周期序号 % interval == 0) ∧ bymonth 命中 ∧ bymonthday 命中 ∧ 周几/序号命中 的合取。

这个结构有个我很喜欢的副产品:WEEKLY;BYMONTHDAY=15 这种"选周再看日"的语义不需要任何特例机器,它自己就对了——因为周期归属和日期过滤是两个独立谓词。

第一遍跑 90 条,只过 32 条。

32 → 90:我自己那份裁判改了四轮,每一轮都是一个真语义

第一轮,27 条挂掉,全挂在默认值级联上。

我照着"父部件给了、子部件就展开成全域"的直觉写了时间网格,于是 YEARLY;BYHOUR=6,18 被我算成每小时配 0-59 分。实际权威行为是:freq 在 HOURLY 之下时,byhour 缺省钉在 dtstart 的时,byminute 缺省钉在 dtstart 的分,给了 byhour 也不会把 byminute 撑开。期望 1997-09-02T18:00 → 1998-09-02T06:00,我算出 18:00:01、18:00:02。

这条直觉是错的,而且是那种"讲起来很顺"的错。

第二轮,隐式钉死的触发条件我读歪了。

RFC 5545 有个反直觉设定:FREQ=YEARLY 且什么都没给时,不仅月份钉在 dtstart 的月,日也钉在 dtstart 的日。我第一版把这个"钉"做成了"只要有任何 by* 部件就不钉"。真条件是:

仅当 bymonthday / byweekday / byweekno / byyearday / byeaster 全空时触发
——条件里既不含 bymonth,也不含 bysetpos

差别一出来就是两组看起来矛盾的现象:YEARLY;BYMONTH=1,3 会把日钉成 2 号(只命中 1 月 2 日、3 月 2 日);而 YEARLY;BYMONTHDAY=1,3 反过来把月份放开到 12 个月。我原来把这两条都判错过。

第三轮,BYSETPOS 的位置序列要覆盖整个基周期。

YEARLY;BYMONTHDAY=15;BYHOUR=6,18;BYSETPOS=3,-3;DTSTART=1997-09-02T09:00:00
期望首个 = 1997-11-15T18:00:00

我原来从 dtstart 当天开扫,于是 1997 这一期的实例序列被切掉前半截,只剩 9/15 到 12/15 共 8 个实例,位置 3 落在 10 月 15 日。而权威实现的位置序列是从 1 月 15 日数起的 24 个实例——位置 3 是 2 月 15 日 06:00,它早于 dtstart,占位但不输出,位置 −3 才是 11 月 15 日 18:00。

修法只有一行:扫描起点从 dtstart 那天 改成 dtstart 所在基周期的起点。

第四轮,两个纯粹的编程错误。

其一是"空数组是真值":BYDAY=1TU,-1TH 里没有任何不带序号的周几,于是我的 plainDows 是个空数组,[].includes(dow) 恒 false,把每一天都枪毙了。dateutil 的做法是空集一律归一成 None,我漏了这一步。

其二是冲刷时机。我的桶要按基周期攒齐了再套 BYSETPOS,但我在"第一个不命中的日子"就把桶冲了一次——年频周期里,命中日之间全是空日子,于是每次冲刷桶里只剩单天的 2 个实例,位置 3 和 −3 双双越界被丢弃,整年颗粒度上再也攒不出结果。正确做法是基周期编号对每一天都有意义,只在编号真的变了才冲刷。

改完 90/90。这份裁判这才够格去判别人。

码道第一轮:一个文件都没建

提示词我按上一篇的教训写得很死——第一句就是"禁止在对话里贴任何代码正文,你的输出只能是文件",结尾规定只回复 git log、文件树、语法检查结果,规格钉到函数签名和每一条缺省语义(包括我上面那四轮踩出来的全部结论)。

3682 字符发出去。看门狗回报 IDLE,仓库里只有 README.md。翻会话正文,末尾是:

⚠️ 思考内容较长,已达到模型输出长度上限,回复被截断。请发送「继续」以获取完整回复。

89476 个字符,全烧在思考上。它把我那份长规格从头到尾复述了一遍再逐条推演,额度就用完了。

补一句「继续」(233 字符,只说"不要重复已想过的内容,直接落地文件")——4 分 20 秒后 dc3d1e8 feat: RFC 5545 core 推上来了,src/dates.js + src/expand.js + package.json 齐活。

这里有个我自己的失误值得记:它 package.json 里的 test 脚本老老实实写成了我在规格里指定的 "node --test"。这条我在规格里专门解释了为什么不能写 node --test test/(Node 24 在 Windows 下会把带斜杠的目录参数当文件加载,造出一条 MODULE_NOT_FOUND 的假失败)。把踩过的坑写进规格,AI 是会照做的——前提是你得写进去。

80/90:一上手就把最难的部分做对了

clone 下来直接判:

官方向量 80/90 通过

我第一反应是去找语义错误,结果 6 条摆出来的失败全是同一句话:

Error: RRULE: could not produce count=3 within scan horizon

于是去读它的地平线代码:

const cycles = Math.max(plan.count * 5, 50);
horizon = Math.min(cycles * cycleDays, HARD_CAP);

cycleDays 对 DAILY 是 1。所以 DAILY;BYMONTH=1,3;COUNT=3 只扫 50 天——而这条规则要跨到 1998 年 1 月才有第一个命中。

这印证了我在自己那份实现上刚改完的第四轮:逐日扫描这种结构,地平线是个真问题,而且基周期可以连续空转。它 count*5 的假设等价于"每 5 个周期至少出 1 个命中",遇到 bymonth/bymonthday 交叉限制就直接崩。

值得注意的是:最难的那几处语义——隐式钉死的触发条件、BYSETPOS 序列覆盖整个周期、WEEKLY 的 wkst 对齐、负数部件折算——它全做对了。定点探针一条条打过去,四条语义探针零分歧:

一致  [A 隐式钉死条件]        YEARLY;BYDAY=MO,TH
一致  [A 只给 BYMONTH 时应把日钉住]
一致  [A 只给 BYMONTHDAY 时应放开月份]
一致  [A 给了 BYSETPOS 不应触发隐式钉死]
分歧  [B 年频大 interval]      抛错
分歧  [B 日频配 bymonth]       抛错
分歧  [B until 无 count 的长跨度]  静默返回空数组

2411 组分歧,一个根因,三种症状

随机差分器是这么设计的:可复现的 mulberry32 随机数(不用 Math.random,否则失败没法复现),生成合法但刁钻的规则——interval 1..5、负数月、负数日、带序号的 BYDAY、BYSETPOS 正负混合、BYHOUR/BYMINUTE、WKST 三选、以及 12% 概率改用 UNTIL 而非 COUNT。跑 6000 组:

{"n":6000, "same":3589, "diffCount":940, "refOnly":1471, "implOnly":0}

implOnly: 0 这一项挺关键:没有任何一组是"它算出来而我抛错"的,分歧全部是它少算、它算错或它抛错。三种症状同源:

规则应该它当时
YEARLY;INTERVAL=100;COUNT=31997 / 2097 / 2197抛错
DAILY;BYMONTH=1,3;COUNT=31998-01-01 / 01-02 / 01-03抛错
MONTHLY;BYMONTH=2;BYMONTHDAY=29;UNTIL=20192000/2004/2008/2012/2016 的 2 月 29 日静默空数组

最后一种是我最不想在真实产品里见到的:它不报错。"每闰年 2 月 29 日"是个完全合法的规则,用户看到的结果是日历上空空如也,程序还一脸正常。抛错至少诚实。

修复要求我写得极其具体:给了 UNTIL 就禁止任何估算、扫描边界直接取 UNTIL;只有 COUNT 时地平线取 max(4000, cycleDays*interval*(count*13+30)) 并夹在安全上限内,达到 count 立刻早退(所以放大上限不拖慢正常规则);只有真扫到上限还不够才允许抛错,而且错误消息里要带上实际扫描天数。另外顺手要求热路径里别每轮 new Date()/Date.UTC() 造对象。

一轮交付:9 条测试全绿,官方向量 89/90。

剩那 1 条是我喂进去的

DAILY;UNTIL=1997-09-05T08:00:00;DTSTART=1997-09-02T09:00:00
期望 [09-02T09:00, 09-03T09:00, 09-04T09:00]
实得 [09-02T09:00, 09-03T09:00, 09-04T09:00, 09-05T09:00]

它按"天"比 UNTIL。追上去看,是我上一轮写的那句:

给了 UNTIL 时禁止任何估算:扫描终点就是 UNTIL 那一天

"那一天"三个字。我为了让它别再自己估窗口,把边界描述成了日粒度,它就老老实实按日粒度实现了——扫描范围按天取边界是对的,但产出每个实例时必须拿完整时间戳再比一次。规格写得含糊,AI 就把含糊忠实地执行出来。

这条现在和渲染层一起修,要求里明确写了"扫描范围可以按天取边界,但产出每个实例时必须逐实例拿完整时间戳与 UNTIL 比一次",并且要在测试里补上这条断言。

三轮专家评审:我并行开三个 agent,让它们读真代码和真截图

代码到 90/90 之后我没有直接开写文章,而是并行放了三个评审 agent:UI、技术、产品。要求它们必须读真实代码、必须逐张看截图,独立打 0-100 分并给 top5。

三份结果:UI 60、技术 72、产品 84。

产品评审说这个选题"护城河 A+、真实性 A+,唯一没准备好的是让人第一眼想看",并给了标题方向。另外两份就没这么客气了。

UI 评审量了像素,然后告诉我:你的截图根本不是 2x

我按自己的铁律写的规格(纯深底 #0b1120、全站只允许一种冷蓝 #4d9dff、文字只允许纯白和一档灰、禁止渐变/阴影/发光/emoji),它逐条验了,确认配色纪律是真的:背景三个采样点全 #0B1120,次级文字精确等于 #8A94A6,强调色全页只出现在 4 个位置、占比 0.16%,CSS 里 box-shadow|gradient|blur|animation|图标字体 一个都没命中。

然后它给了三个致命观察:

  1. 报错态不清空旧结果。catch 里只写了 state.error,state.occ 原样留着。于是页面同时显示"规则非法"、上一条规则的 12 条命中、网格上的蓝框蓝点,而底部 meta 写着"扫描天数 0"——三处当场互相打脸。它数了:8 张截图里有 7 张的日历区和列表区逐像素相同。

  2. H1 渲染成「真实真实日期日历」。span 里多了一个"真实",而且被涂蓝的恰好是重复那四个字。

  3. 截图是 1x,不是 2x。三条独立证据:内容宽实测 912px 正好等于 960 - 2×24 的一倍;若真 2x,CSS 视口只有 680px,会触发 720px 断点把两栏压成一栏,但截图是两栏;.cell.hit 边框实测 1 个设备像素。

第三条是我的截图脚本错了:Playwright 的 page.screenshot() 默认 scale:'css',无论你设不设 deviceScaleFactor,出来的都是 CSS 像素尺寸。加一个 scale: "device" 才是真 2x。

它还顺手发现两个我没想到的:2026 年 12 个月里有 9 个月的第 6 行整行都是下月幽灵数字(因为网格固定 42 格),包括默认落地的一月;以及右栏那 12 行 2026-01-30T09:00:00 是三重冗余(恒定 09:00、恒为 00 的秒、和网格重复的"周五")。

技术评审最狠的一刀,是砍在我自己的裁判上

它先确认了实现站得住——自己复跑 官方向量 90/90,还做了注入实验:把扫描起点从"基周期起点"改成"dtstart 当天",90 条里只挂 1 条(正是那条 BYSETPOS=3,-3),症状是位置编号整体前移、静默少一大截再往前挪,不报错不崩。它评价:“这个语义在 4 个 freq 上只有 YEARLY 一个被守、被 1 条向量守着。”

然后它给了三条我没法反驳的:

其一,90 条官方向量全在仓库外。 任何只 clone 仓库的评审者,看到的证据强度是"作者手写 10 条测试 + 全绿",等于 0。裁判在作者手里,不在交付物里。

其二,UNTIL 分支没有上限,一行输入就能冻死页面。 它实测 FREQ=DAILY;UNTIL=99991231T235959Z:扫 291 万天、产出 291 万条、展开 4599ms、堆 190MB,之后每翻一次月再 6905ms。而 HARD_CAP 只写在 count 分支里。

这条还有个后续:它为了证明这个结论,真的在页面上灌了那行输入——把标签页冻住了,连带把我的 CDP 调试端口一起拖死,我这边所有自动化脚本突然全部超时,只能杀进程重启 Chrome。它那条批评是被当场复现出来的。

其三,也是最扎心的:我的"3 万组 0 分歧"这个说法,被我的生成器自己削弱了。

它实测发现 bymonth: [] 这类空数组规则部件上,被测实现和我的裁判有 4 处真分叉——它把空数组当"没给"(hasValue([]) === false),我当"给了一个空集"。而我的随机生成器里写着 if (v !== 0) set.add(v) 和"空数组不产出",结构上就永远碰不到这一类。换句话说:我为了让差分数字好看,把裁判的盲区从抽样里删掉了,然后宣布零分歧。

更糟的是同一处它顺出另一条:bymonthday 不校验范围,0 和 32 都静默进列表并永不命中;而 dateutil 对 0 的行为是丢掉 0、进而让整条 bymonthday 过滤失效。这一条上我的裁判和选手一致地都偏离了 dateutil——两个瞎子互相确认,还都通过了 90 条向量。

它原话是"典型的『预言机与选手同时瞎』"。我看了直摇头,因为这正是我这篇想批评的东西,我自己犯了。

产品评审让我换了文眼

我原本打算用"最后那条 bug 是我自己写进提示词的"当文眼。它说方向对了一半:那条适合做收束的最后一刀,但"作者犯了个错"别人也写得出来,稀缺度一般。真正抄不走的文眼是我给裁判降权那一段——抓到 624 处分歧,先承认其中 604 处是裁判越权(混合 BYDAY 在 90 条锚点里覆盖数为 0,我没资格判),再把生成器吐的非法输入另计。

我造的不是一台日历,是一台连我自己都不许放过的裁判机。

这句我采纳了。它还提醒了一件工程外的事实:RRULE 对时区极敏感,dateutil 用 naive datetime,我这台 JS 实现全程按墙上时间 + UTC 日序数算,文章里必须写明"复跑请固定时区口径",否则评委换个 TZ 复跑就会冒出分歧——那分歧是我的,不是它的。

评审之后我做的四件事

按性价比排:把 90 条向量逐字搬进仓库并让测试读它(这条最贵但决定"可验证"这句话成不成立);给 UNTIL 分支补天数与输出条数双上限,并在页面上显示"已截断";报错态清空结果集;把混合 BYDAY 这条口径未定的语义显式写进 README 并选边,而不是继续用隔离桶把它藏起来。

空数组那一条我也改了裁判——不是改被测实现,是先改我的生成器,让它允许产出非法输入,再单独分类报告:合法的零分歧、非法输入上的行为差异另列一节。这样"0 分歧"这句话才只覆盖它该覆盖的范围。

架构:四层,判定逻辑只有一份

rrule-calendar/
├── src/
│   ├── dates.js      日历工具(UTC 日序数、月长、周几、负数部件折算)
│   ├── expand.js     compileRule + dayHit + expandRule(唯一的判定入口)
│   ├── parse.js      "FREQ=...;BYDAY=-1FR" 规则串 -> 规则对象(严格校验)
│   └── calendar.js   月历网格(纯逻辑,不碰 DOM)
├── test/horizon.test.js
├── index.html        单文件页面
└── serve.mjs         零依赖静态服务器

一句主张:判定逻辑只允许存在一份。我后来加窗口展开 expandWindow 时,规格里明确写了"必须复用现有的 compileRule、dayHit、周期分桶与 BYSETPOS 冲刷逻辑,禁止复制第二份判定代码"——因为一旦有两份,"对拍通过"这句话就废了:可能一份对一份错,而我测的是对的那份。

核心算法:逐日扫描,以及它必须面对的那个问题

dayHit 是一个纯谓词,一条日期算不算命中,等于四个独立条件的合取:

命中 = (基周期序号 >= 0 且 序号 % interval === 0)
     ∧ (bymonth 未给 或 月份命中)
     ∧ (bymonthday 未给 或 折算后的日命中)
     ∧ (byday 未给 或 周几命中,带序号时还要在正确的帧里)

基周期序号按 freq 定义:年频取年份差、月频取月份序号差、周频先把日期归到 WKST 对齐的周初再取周序号差、日频取日序数差。

这个结构的好处前面说了——WEEKLY;BYMONTHDAY=15 这种"选周再看日"不需要特例。但它的代价也很实在:你必须知道要扫多久。这就是那个把码道绊倒、也把我自己绊倒两回的问题。

我的最终答案是:地平线按周期数放大并给一个下限(至少 4000 天),有 UNTIL 时以 UNTIL 为天然边界,扫描起点取"dtstart 所在基周期的起点"而不是 dtstart 当天,达到 count 立即早退。

可验证护城河:三层,全都能当场复跑

第一层是独立参考实现。它和被测实现结构不同(逐日扫描 vs 基周期步进),并且它自己先被 90 条官方向量验到全绿才有资格当裁判。

在这里插入图片描述

第二层是官方向量判分。dateutil 的 4914 行测试里抽出的 90 条,逐条比完整日期序列,不是比数量。

在这里插入图片描述

同一套判分打在修复前的提交上,是 80/90,六条失败全是同一句 could not produce count within scan horizon:

在这里插入图片描述

修完地平线的那次提交(fad0df4)是 89/90,剩的那 1 条就是我按天比 UNTIL:

在这里插入图片描述

第三层是随机差分。可复现种子、生成器刻意往刁钻处走(负数月、负数日、带序号 BYDAY、BYSETPOS 正负混合、12% 概率改用 UNTIL):

在这里插入图片描述

还有那组定点探针——把"隐式钉死"和"扫描地平线"两类怀疑分开打靶,六条语义探针零分歧、三条边界探针全分歧,这才敢下"一个根因"的结论:

在这里插入图片描述

仓库自己也是公开的,匿名可拉:

先跑起来看

在这里插入图片描述

上面这张是对的:2026 年 1 月 30 日确实是当月最后一个周五,右侧 12 次命中全是周五,网格周一起排。

下面这张是修复之后的样子——同一句"每月最后一个周五",现在能答了:

在这里插入图片描述

这里得把过程记清楚,因为它一开始不是这样的。我最初截这张图时,页面回的是 RRULE: either count or until is required——这条限制本来只是为了我离线对拍方便,被页面原样继承成了产品缺陷,最自然的问法答不出来。而且当时右侧列表还留着上一条规则的旧命中、网格上还有蓝框,底部 meta 却写着"扫描天数 0",三处互相打脸。

同一批截图里当时还有几处是错的:H1 渲染成「真实真实日期日历」(span 里多了一个"真实",被涂蓝的正好是重复那四个字);月历固定 42 格,实测 2026 年 12 个月里有 9 个月的第 6 行整行都是下月幽灵数字;右栏输出完整 ISO 时间戳,恒定 09:00、秒恒为 00、"周五"又与网格重复,三重冗余。

这些在 f51995f 那一轮统一修掉了:报错态清空结果集、标题去重、网格按 5/6 行自适应、右栏改成「01-30 周五」并把起始时刻抬到列表上方、DTSTART 做成可编辑输入(默认取今天)、序号补零消除 #10 之后左边缘错开 7px 的锯齿。现在这张图上是:10 月 30 日高亮、19 条命中、扫描 578 天、耗时 0.8 毫秒。

非法规则的报错文案本身是对的,能点名是哪个键错:

在这里插入图片描述
非法规则报错

在这里插入图片描述
非法规则报错

把 90 条官方向量搬进仓库,以及它当场红了 31 条

技术评审给这条打了最重的分量,原话是:只拿到仓库的人,看到的证据强度是"作者手写 10 条测试 + 全绿",等于 0。这条不补,"可验证"三个字就只对我自己成立。

难点很实际:90 条向量压成 JSON 是 13.9KB,让码道逐字回显这种大块数据,是它最容易翻车的活儿(前面已经有一次"89476 字符全烧在思考上、一个文件没建")。我的办法是拆成两半、每半只干一件事——新开会话、只给它一段 JSON、要求逐字写入一个文件、不许改格式不许排序,这样它没有别的输出可抢额度。

两半落地后我做的是字节级校验而不是"它说写好了就算好了":

official-vectors-p1.json 条数 45/45 逐字节相同: true
official-vectors-p2.json 条数 45/45 逐字节相同: true

然后合并成 evidence/official-vectors.json,加 evidence/verify.mjs,加 test/official-vectors.test.js 逐条 deepStrictEqual。这一步我特意在提示词里写了"把元素里的 r 原样传入 expandRule"——听起来最干净、最不容易被质疑的做法。

结果仓库自己的测试直接红了:

ℹ tests 100
ℹ pass 69
ℹ fail 31
官方向量 59/90 通过
  分歧 #7 r={"freq":"YEARLY","count":3,"byweekday":["TU","TH"],...}

而我的外部判分器明明报 90/90。查下去,原因不在实现,也不在数据,在我那句指令:

向量里出现的键: freq count dtstart interval bymonth bymonthday byweekday
               byhour byminute bysecond bysetpos until weekstart
实现认识的键:   byday  wkst
用 byweekday 的向量条数: 31      ← 失败数正好等于 31
用 weekstart 的向量条数:  2

锚点用的是 dateutil 的词表(byweekday、weekstart),而本仓库的 API 用 RFC 5545 的词(byday、wkst)。"原样传入"时这两个键被当成未知键忽略掉,于是隐式缺省规则被错误触发——31 条失败,一条不多一条不少。

修法不是改数据,而是加一层显式的词表翻译,并且在两个文件头部注释里写清楚:锚点故意保留 dateutil 的原始键名,这样任何换用不同入参命名的实现都必须显式声明这层翻译,而不是让数据去迁就实现。

ℹ tests 100
ℹ pass 100
ℹ fail 0
官方向量 90/90 通过      (exit=0)

这一条特别值得记:我的外部判分器里一直躺着一个 byweekday→byday 的适配,它把这个名字不一致悄悄糊过去了。 只有当锚点真的进到仓库、和实现用同一套词表对话时,这个矛盾才暴露出来。换句话说——判分器放在作者手里,连这种错都能被它自己掩盖。

还没做完的(如实记)

中途码道侧的模型配额耗尽过一次(页面直接回 错误: 当前模型配额不足 [APIError])。后来发现配额是按模型分池的:只有 deepseek-v4-flash 见底,换成 GLM-5.2 就还能跑——这一条是我没预料到的,也救回了后面几轮。

到发稿时为止,评审提出的六项界面缺陷与两条引擎问题都已落地:expandWindow 窗口展开、UNTIL 分支的天数与输出条数双上限、报错态清空、标题去重、网格 5/6 行自适应、右栏降噪、DTSTART 可编辑、serve.mjs 不再把 .git/ 当静态文件吐出去。90 条官方向量也已经进仓库并接进测试(上一节)。

还剩两条:

  • 混合"带序号 + 不带序号"的 BYDAY 语义(AND 还是并集)没有裁决。dateutil 的源码口径是 AND,而 90 条官方向量里这类用例覆盖数为 0,所以我没有判分依据。目前的处理是用隔离桶把它从差分统计里摘出去——诚实,但也等于藏起来了。正确做法是显式选边并写进 README。

  • bymonthday 之类的部件没有范围校验:0 和 32 会静默进列表并永不命中。而 dateutil 对 0 的行为是丢掉 0、进而让整条 bymonthday 过滤失效。这一条上我的裁判和实现一致地都偏离了 dateutil,而我的随机生成器里写着"不产出 0",结构上永远碰不到它——两个瞎子互相确认。

本地怎么跑

git clone https://atomgit.com/wangyu11112/rrule-calendar.git
cd rrule-calendar
npm test          # 注意是 node --test,不是 node --test test/
node serve.mjs    # 打开 http://localhost:8123

时区口径请固定:全程按墙上时间 + UTC 日序数算,不涉及时区换算;UNTIL 按完整时间戳比较而不是按自然日。

写在最后

这一篇真正想说的不是"AI 能写日历",而是另一件事:当你能把题目变成一道有标准答案的客观题时,AI 的产出才第一次变得可评价。

而一旦开始评价,最先被审判的其实是裁判自己。这一路我给自己的裁判改了五轮(时间级联、隐式钉死条件、BYSETPOS 覆盖整个周期、空数组真值、冲刷时机),给差分台改了两次口径(无解规则不算分歧、锚点没覆盖的语义不算越权判决),最后还发现"0 分歧"这句话被我的随机生成器悄悄削弱了——它结构上产不出空数组,而空数组上两边真的会分叉。

人定架构和判分标准,AI 分块实现,裁判由双方之外的第三方真值当。这套打法我下一篇还会继续用,但会把两件今天没做到的事补上:把锚点搬进交付物,以及别为了验证方便把产品写窄。

仓库:https://atomgit.com/wangyu11112/rrule-calendar

数据源致谢:dateutil(tests/test_rrule.py,4914 行)与 RFC 5545。

Logo

华为AI开发者空间,是为全球开发者打造的专属开发空间,汇聚了华为优质开发资源及工具,致力于让每一位开发者拥有一台云主机,基于华为根生态开发、创新。

更多推荐