fix(testing): align CLI budget fixture paths across review runners

[huangruiteng]

Summary / 摘要

The real-CLI review runner aliases the whole fixture parent, while pytest aliases each default scenario. The /crowded suffix adds 32 characters across four emitted command paths: the unchanged Turn fixture measures 14,482 in pytest but 14,514 in review, exceeding the 14,500-character budget.

This aligns the runner with the existing per-scenario alias. It does not raise a budget, rewrite stdout, shrink fixtures, omit executable vision-authoring fields, or shorten production commands. Base and head still use the same runner and semantic checks. This removes a validation-layout discrepancy affecting #5171, not its runtime/monitor acceptance.

独立评审脚本与 pytest 的场景别名层级不同，导致相同负载的四处命令路径多出 32 字符。本 PR 复用既有每场景固定宽度别名，保留原预算、负载和完整 stdout；补上短/长测试目录及真实增长拒绝回归，文档中明确测量与生产长路径的边界。

Boundary and delivery

• Owner: existing CLI-output qualification fixture/runner, roadmap S10/S12. No new capability, configuration owner, authority decision or production logic.
• Placement: Python remains the existing test-harness language; no parallel Python control-plane decision source is introduced.
• CLI user output, frontend and Lark remain unchanged. Only developer/reviewer measurement setup changes; there are no settings or schema-driven UI fields to mount. The separate real-long-path command-integrity check remains exercised.
• Future-facing refinement: reuse the existing alias helper at the two measurement entry points; do not introduce another normalization framework or transform captured output.
• Private state, diagnostic logs and personal context are excluded.

Validation

• Before the fix: the two new layout regressions fail; the growth-rejection negative case passes.
• After the fix: test_cli_output_probe_runner.py + test_cli_output_differential.py: 71 passed. Final focused rerun: 3 passed.
• examples/control_plane/cli-output-budget-regression-smoke.py: passed, including the real base/head matrix, default/explicit mode budgets, scale checks and long-path command integrity.
• Ruff lint and git diff --check: passed.

The earlier failure remains a failure in its original record; these are new validation results on the corrected measurement layout. Monitor admission, default installation and original consumer observation remain separate acceptance work.

[huangruiteng]

Approval conclusion (author-owned PR; GitHub blocks formal self-approval)

精确评审 head：fac0548f3f99ea2617c6cc98e420a8c05022fb59。结论：APPROVE；这是完整的测试测量修复，不是 #5171 已安装或真实监控已恢复的证明。

动机

当前诉求是解除真实 CLI 评审中的路径布局假失败，而不是让超预算输出被放行。相同 crowded 负载在 pytest 场景别名下为 14,482 字符，在独立 runner 的父目录别名加 /crowded 后为 14,514；四处完整命令路径各多 8 字符，超过原 14,500 限额。保持现状会反复阻塞无关交付；提高限额会掩盖测量入口不一致。对照测试与质量指南的 CLI 输出预算规则，统一既有场景别名是更小且有实际维护价值的修复。持续推进能力改善，产品 CLI、前端及 Lark 体验保持不变。

改动思路

唯一修改的执行入口是开发者使用的 cli-output-probe-runner.py::_default_rows，复用现有 _stable_budget_fixture_root，不新增规范化框架。流程为：每场景根目录别名 → 原 fixture 生成 → 真实 CLI → 原始 stdout 测量 → 原限额和语义检查 → 原 receipt。失败仍由已有断言和 runner 返回；context manager 负责别名清理。base/head 继续使用同一 runner，没有新产品配置或状态权威。

正向验证在短与很长的测试工作目录中保留 36 Todo、1 Agent、12 Run 的负载，固定场景别名宽度并保留完整命令路径及 vision-authoring 字段。反向验证把真实 CLI 的合法 JSON stdout 加上 15,000 个空格，解析仍合法但尺寸增长仍被 14,500 上限拒绝。没有改写 stdout 来制造通过。

具体改动

关键代码讲解

1. _default_rows 把既有场景处理块包进每场景 alias context；命令集合、测量、预算断言及 receipt 构建均不变。runner 的大量行变动是缩进，不是新增策略。
2. test_runner_uses_the_pytest_scenario_alias_without_rewriting_stdout 的两种布局经过真实 CLI，检查别名宽度、清理、原始字符数、完整路径、row identity 与必要 JSON shape；没有用 mock 给出“通过”结果。
3. test_runner_still_rejects_actual_stdout_growth 仅注入尺寸增长，确认既有预算继续生效。聚焦测试缩小执行 surface 以控制成本，完整 smoke 另外覆盖全部既有场景。
4. 双语指南明确短路径测量不是生产长路径达标；独立真实长路径命令完整性检查继续运行。

整份 diff 为 3 文件 +157/-50：runner +53/-50 主要是缩进，聚焦回归 +90，指南 +14；生产代码改动为零。既有 differential 测试覆盖 receipt 和变体对照，但没有检查 runner 与 pytest 场景路径层级，新增回归在修复前确实出现 2 失败、增长拒绝 1 通过。最近 12 条同作者 PR 扫描未发现另一份相同修复；#5171 的监控语义、#5176 的 delegation 诊断、#5177 的断言同步均不替代本问题。

对主干的风险

最强风险是短路径别名可能掩盖真实输出增长或长路径命令损坏。新负向用例证明增长仍被拒绝；完整 CLI-budget smoke 保留 base/head、默认/显式模式、规模、语义差异和真实长路径命令完整性检查。alias helper 原有并行目录身份与清理语义未变；没有持久数据或混合版本协议迁移。

本 head 的局部结果：runner/differential 共 71 项通过，最终聚焦 3 项通过，完整 CLI-budget smoke、Ruff lint、diff hygiene 通过。premerge 的 4 个直接检查通过；选出的 12 项首次 11 通过、1 因工作树未安装 TypeScript 开发依赖而失败。执行仓库规定的 npm ci --ignore-scripts 后，仅重跑失败的 semantic-vocabulary smoke，成功退出；初始失败记录保留，没有把它改成通过或放宽检查。远端 CI 按该 Goal 的 wait_for_ci=false 不作查询或等待。

我的整体评价

APPROVE：有真实测量差异、最小既有 owner 修复、修复前失败和修复后正反向证据，没有多余版本分支、并行权威或重复 smoke。长期推进改善，现有用户入口和输出语义保留。Python 仅留在既有测试 harness；不涉及通用能力的 TS 实现迁移。

本 PR 的独立可交付边界是测试入口一致性；后续仍需维护者合入，并让 #5171 以修正后的共同 runner 重新验证，然后单独验收安装与真实到期监控。未据此宣称投研最小闭环完成，也未继承其他 head 的批准。

English verdict: APPROVE - fac0548. Reuses the existing per-scenario fixture alias without changing budgets, workloads, raw stdout or production output. Real-CLI layout and growth-rejection regressions, 71 targeted tests and full budget smoke passed; the initial missing TypeScript dependency check passed after setup recovery. Runtime/monitor adoption remains separate.