P1 test(e2e): track B 取证还缺三块——第7项真实失败态、第8项 markdown/代码块、第4/6项需真实模型；现状封顶 6/10

> 来源：CLR track B 第二轮评分（#814），实测 `5da21fce257de0bd922488869e19afb64f65a2d6`。
> #876/PR #880 修好选 agent 之后，B 从 1/10 → **6/10**。剩下的 4 分里，**有 3 分卡在取证而非产品**。

## 三块缺口

### ① 第7项「错误处理透明度」——本轮 SHA 上没有失败态证据

修复后 run 都成功，`b7-error-surface.png` 拍到的是成功态。
本轮该项的 1 分沿用**上一轮**（`4a1dce3e`）拍到的真实 422 红条，
并已用 `git diff` 证明 B 的六条 watch 路径在两个 SHA 之间零改动，所以判定成立。
但**这是跨 SHA 复用，不是本轮自证**——下一轮如果产品面动了，这一分会立刻失去依据。

夹具里**已经有**现成的真实失败路径，脚本没用：

```ts
deepAgentFailureTrigger: "取证：请让这次执行失败" // chat-read-fixture.ts
```

建议在本轮消息之后再发一条该 trigger，拍一张失败态。
这**不违反**「不制造假错误」——它是夹具提供的真实失败路径，不是伪造的截图。

### ② 第8项「消息呈现质量」——样本里没有 markdown / 代码块 / 图片

判据原文要的是「代码块、markdown、图片是否被正确渲染（不是原始文本或裸 URL）」。
本轮发的两条都是纯中文短句，回复也是纯文本 ⇒ **该判据的三个对象一个都没被测到**。
已渲染的部分（agent 名 / 徽章 / 时间戳 / 左右对齐 / 无裸标记）是对的，故给 **0.5**。

建议发一条含 ```代码块```、`**加粗**`、列表与一个 URL 的消息，
让 loopback 原样 echo 回来即可覆盖——**这一项本地完全可以证到满分**，
是三块里最容易补的。

### ③ 第4/6项「真实多步能力」「多轮上下文」——本地结构上证不了

这两项问的是**模型行为**，不是界面呈现：

- 第4项要「调用工具→看结果→**决定下一步**」，而 loopback 桩**恒调** `lookup_time`，
没有任何"决定"发生
- 第6项要「记得前几轮」，而桩的回复只 echo 本轮原话，**从不引用前一轮**
（`b6-multiturn.png` 里两轮回复各自独立，可直接看出来）

界面层的证据已经有了（两轮都持久化、都渲染、历史完整），
**缺的是模型那一半**。⇒ 这两项只能在 devapp 用真实模型复评，
本地脚本再怎么改都补不上。**这不是脚本的错，是取证环境的边界**，
建议直接写进 MANIFEST 的边界声明，免得下一个评分员反复发现同一件事。

## 影响

| 项 | 现状 | 补上后可能 |
|---|---|---|
| 7 | 1（跨 SHA 复用） | 1（本轮自证，更稳） |
| 8 | 0.5 | **1**（本地可补） |
| 4 | 0 | 需 devapp |
| 6 | 0 | 需 devapp |

⇒ **①② 本地即可补，B 可到 6.5/10**；③ 的 2 分必须等真实模型环境。
在那之前 **B 的本地天花板是 6.5**，请不要把「没到 10」读成产品缺陷。

Start with the E2E fixture chat-read-fixture.ts and the existing evidence around b7-error-surface.png and b6-multiturn.png. Run the current Track B flow, then assess the provided failure trigger and a message containing markdown, a code block, a list, and a URL; document the real-model boundary for items 4 and 6 in MANIFEST. Done means fresh evidence supports item 7, item 8 is fully rendered, and the unsupported model checks are clearly bounded.

Written by the indexing model from the issue text.