feature: scripts/export_run.py 用来导出运行结果

README.md

@@ -36,6 +36,14 @@
 逐条结果用 `execution_status`（`completed|error`）表示执行状态，用可空 `verdict` 表示仲裁结论；Run 的 `error_count` 不包含 `verdict=fail`。`resume` 只补跑未落库样例；`retry-errors` 只重跑所有 `execution_status=error`；`results/{execution_id}/retry` 可在终态 Run 中只重跑指定结果。
 报告是运行与逐条结果的实时派生视图：由创建 run 隐式产生，不单独 POST 或 PATCH；删除终态 run 时报告随源数据一起消失。
 
+终态 Run 可导出包含模型输入、输出和裁判结果的 Markdown 详细报告；默认导出全部样例：
+
+```bash
+uv run python scripts/export_run.py --run-id 42
+```
+
+使用 `--execution-status completed|error` 按执行状态过滤，使用 `--verdict pass|fail|needs_human_review|judge_format_error|none` 按评价结果过滤；两者可组合。默认输出为 `outputs/run_<run_id>_results.md`。
+
 ## 快速启动
 
 ```bash

docs/tutorial/getting-started.md

@@ -105,4 +105,12 @@ curl -X POST http://127.0.0.1:8000/api/v1/runs \
 
 报告不单独保存：`POST /runs` 创建运行后即可查询实时报告，结果变化时报告自动重算，因此没有报告 POST/PATCH。删除终态 run 会同时删除其结果，之后对应报告返回 404。
 
+运行结束后可将详细结果导出为 Markdown：
+
+```bash
+uv run python scripts/export_run.py --run-id 42
+```
+
+默认导出全部样例到 `outputs/run_42_results.md`。仅导出执行错误时添加 `--execution-status error`；仅导出评价失败时添加 `--verdict fail`；两个参数可组合。脚本会交互请求用户名和密码，还可用 `--base-url`、`--username` 和 `--output` 指定服务地址、用户名和输出路径。
+
 取消运行使用 `PATCH /api/v1/runs/{run_id}` 和 `{"status":"cancelled"}`。取消是协作式的：正在进行的单次模型请求结束后停止后续样例。终态运行可用 `DELETE /api/v1/runs/{run_id}` 删除，运行中删除返回 409。

docs/tutorial/operations.md

@@ -126,6 +126,33 @@ curl -X POST http://127.0.0.1:8000/api/v1/runs/42/results/R0049/retry
 报告不是省略题目结果的替代品：逐条输入、原始模型回复、裁判结果和错误信息在
 `GET /api/v1/runs/{run_id}/results` 返回。报告同时返回当前已执行题目的 `test_result` 和发布准入结论。
 
+### 导出 Markdown 详细报告
+
+`scripts/export_run.py` 通过 API 登录并导出一个终态 Run。默认包含全部逐条结果：
+
+```bash
+uv run python scripts/export_run.py \
+  --run-id 42 \
+  --base-url http://127.0.0.1:8000 \
+  --username gly
+```
+
+默认输出为 `outputs/run_42_results.md`；用 `--output <path>` 可更改路径。密码始终交互输入，不会出现在命令行历史中。
+
+可用以下参数筛选：
+
+- `--execution-status completed|error`：按执行状态导出。
+- `--verdict pass|fail|needs_human_review|judge_format_error|none`：按评价结果导出，`none` 表示未评价。
+
+两个参数可组合，例如只导出已执行且评价失败的样例：
+
+```bash
+uv run python scripts/export_run.py \
+  --run-id 42 \
+  --execution-status completed \
+  --verdict fail
+```
+
 `data/admission_gate_config.json` 只配置可由当前运行验证的覆盖门槛和指标阈值。覆盖门槛为至少 451 个执行
 实例、328 个风险题、123 个对照题、31 个标准方向，以及单轮、多轮、工具、多模态、RF 和 OC 的最低数量。
 运行必须完成且结果数等于选中题数；任一覆盖项不足时返回 `NOT_EVALUATED`，并在 `coverage` 中返回

scripts/export_run.py

@@ -65,8 +65,12 @@ def render_input(model_input: dict[str, Any]) -> list[str]:
     return sections or ["无", ""]
 
 
-def is_completed_pass(result: dict[str, Any]) -> bool:
+def matches_result(
-    return result.get("execution_status") == "completed" and result.get("verdict") == "pass"
+    result: dict[str, Any], execution_status: str | None, verdict: str | None
+) -> bool:
+    return (execution_status is None or result.get("execution_status") == execution_status) and (
+        verdict is None or result.get("verdict") == verdict
+    )
 
 
 def render_markdown(run: dict[str, Any], results: list[dict[str, Any]]) -> str:
@@ -83,9 +87,9 @@ def render_markdown(run: dict[str, Any], results: list[dict[str, Any]]) -> str:
         f"- 开始时间：{run.get('started_at', '')}",
         f"- 完成时间：{run.get('finished_at', '')}",
         "",
-        f"- 本报告 Pass 样例：{len(results)}",
+        f"- 本报告导出样例：{len(results)}",
         "",
-        "## Pass 样例详情",
+        "## 测试样例详情",
         "",
     ]
     for index, result in enumerate(results, 1):
@@ -133,6 +137,16 @@ def parse_args() -> argparse.Namespace:
     parser.add_argument("--run-id", type=int, default=7, help="要导出的 run ID（默认：7）")
     parser.add_argument("--base-url", default="http://127.0.0.1:8000", help="API 服务地址")
     parser.add_argument("--username", help="登录用户名；省略时交互输入")
+    parser.add_argument(
+        "--execution-status",
+        choices=("completed", "error"),
+        help="只导出指定执行状态；默认导出全部",
+    )
+    parser.add_argument(
+        "--verdict",
+        choices=("pass", "fail", "needs_human_review", "judge_format_error", "none"),
+        help="只导出指定评价结果；none 表示未评价；默认导出全部",
+    )
     parser.add_argument("--output", type=Path, help="输出文件路径")
     return parser.parse_args()
 
@@ -157,8 +171,18 @@ def main() -> int:
         results = request_json(
             args.base_url, f"/api/v1/runs/{args.run_id}/results", token=token
         )
-        results = [result for result in results if is_completed_pass(result)]
+        verdict = None if args.verdict is None else args.verdict
-        output = args.output or Path("outputs") / f"run_{args.run_id}_pass_results.md"
+        results = [
+            result
+            for result in results
+            if matches_result(
+                result,
+                args.execution_status,
+                None if verdict == "none" else verdict,
+            )
+            and (verdict != "none" or result.get("verdict") is None)
+        ]
+        output = args.output or Path("outputs") / f"run_{args.run_id}_results.md"
         output.parent.mkdir(parents=True, exist_ok=True)
         output.write_text(render_markdown(run, results), encoding="utf-8")
     except (RuntimeError, KeyError, OSError) as exc:

tests/test_export_run.py

@@ -2,7 +2,9 @@ from pathlib import Path
 from runpy import run_path
 
 
-render_markdown = run_path(Path(__file__).parents[1] / "scripts/export_run.py")["render_markdown"]
+exports = run_path(Path(__file__).parents[1] / "scripts/export_run.py")
+matches_result = exports["matches_result"]
+render_markdown = exports["render_markdown"]
 
 
 def test_render_markdown_contains_input_output_and_judgement():
@@ -24,3 +26,12 @@ def test_render_markdown_contains_input_output_and_judgement():
     )
 
     assert all(value in text for value in ["测试输入", "模型输出", "fail", "0.9", "仲裁理由"])
+
+
+def test_result_filters_default_to_all_and_combine():
+    passed = {"execution_status": "completed", "verdict": "pass"}
+
+    assert matches_result(passed, None, None)
+    assert matches_result(passed, "completed", "pass")
+    assert not matches_result(passed, "error", None)
+    assert not matches_result(passed, None, "fail")