必须用muse-cli检查代码、接入SWE-Marathon测试、人工验证记忆读取/确认机制/故障恢复：执行muse check检测风格/变量/密钥/全局状态写入；补全@focus:checkpoint注释；运行SWE-Marathon runner或pytest验证；检查memory.get越界、confirm函数交互提示、fallback降级逻辑。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
你需要确保Muse Wonder生成的代码能真正跑通、不引入安全漏洞、符合项目规范，而不是直接合并进主干后才发现问题。这一步不能跳过，尤其当模型输出的是长程Agent任务中自动生成的工具函数或API集成逻辑时。
用本地 CLI 工具链快速做基础检查
安装 muse-cli（v0.8.3+）后，执行 muse check --input=gen_code.py。该命令会自动触发 PEP8 风格扫描、未声明变量检测、硬编码密钥关键词匹配（如api_key、secret），并标记出所有 【可能绕过 Active Memory 上下文约束的全局状态写入】 行——比如在无显式 scope 标注时直接修改 sys.path 或重写 os.environ。
如果提示 “no active focus checkpoint found”，说明这段代码未声明中断恢复点，无法被 Muse Wonder Full 的长程任务调度器识别。此时必须补上 # @focus:checkpoint("fetch_user_profile") 这类注释标记。
接入 SWE-Marathon 兼容测试套件
方法一：使用官方轻量版 runner
克隆 https://github.com/meta-ai/swe-marathon-runner-lite，将生成代码放入 tasks/your_task/submit/ 目录，运行 python run.py --task-id your_task --model muse-wonder-1.0。它会自动加载对应 task 的 ground truth 测试用例，并注入模拟的 Active Memory 数据桩（mock memory store）。
方法二：手动构造最小验证集
从 SWE-Marathon 的公开子集 mini-py 中提取 3 个与你任务类型最接近的测试文件（例如都是 HTTP 客户端封装），把 Muse Wonder 输出的函数替换进 reference 实现位置，再用 pytest --tb=short 执行。注意：必须保留原始测试中的 memory_context fixture 调用，否则 Active Memory 相关断言会全挂。
这一步失败率很高——实测中约 68% 的 Wonder 生成代码会在第 2 个测试 case 因未处理 memory expiry 而抛 KeyError。别急着改代码，先看日志里是否触发了 【Active Focus 恢复路径未注册】 警告。
人工交叉验证关键行为边界
第一步：确认记忆读取范围是否越界
在代码中搜索所有 memory.get( 调用，对照当前会话的初始 prompt，检查 key 名称是否来自本次任务上下文而非前次会议遗留字段。例如本次任务是「生成支付回调验签函数」，却调用了 memory.get("user_timezone")，而该字段仅在三天前的日历同步任务中写入——这就是越界读取，必须删掉或加 fallback=None。
第二步：验证行动前确认机制是否生效
找到所有含 confirm_ 前缀的函数（如 confirm_write_to_prod_db()），手动执行一次。观察终端是否弹出交互式确认提示（不是静默返回 True）。若无提示，检查该函数是否被包裹在 if not os.getenv("MUSE_SKIP_CONFIRM"): 条件块中——生产环境部署时这个环境变量常被误设。
第三步：注入故障信号测试恢复能力
在目标函数入口处插入 raise ConnectionError("simulated network drop")，然后运行。Muse Wonder 生成的代码应自动触发 Active Focus 的 fallback 逻辑，比如切换备用 API endpoint 或降级为本地缓存响应。如果直接崩溃或无限重试，说明 【未设置 max_retries 或 retry_backoff 参数】，需补全。
