Trace 诊断把一次已完成循环的事件序列转换为结构化、可复查的结论。它不修改循环本身，也不猜测不可观测的根因；每条诊断都给出支撑它的 Trace 事件索引。
python experiments/trace_diagnostics.py脚本依次运行 action_failure、stalled_progress、tight_budget 和 adaptive_recovery 四个确定性案例。每个案例都会写入一份 Trace Artifact 和一份独立诊断报告：
.loop/runs/trace-diagnostics/<case>.artifact.json.loop/runs/trace-diagnostics/<case>.report.json
Artifact 可使用 loop_engineering.artifacts.load_run_artifact() 回放；报告则用于直接比较诊断标签和证据。
| 代码 | 严重级别 | Trace 证据 | 含义 |
|---|---|---|---|
action_failure |
warning |
ACT.success=false |
一个或多个动作未成功执行。 |
stalled_progress |
warning |
成功 ACT 前后的 OBSERVE.value 没有变化 |
动作被报告成功，但没有推进状态值。 |
budget_exhausted |
error |
最大步数 STOP 且最终未成功 |
预算耗尽前未能完成目标。 |
recovery_observed |
info |
失败 ACT 后出现 mode_code=3.0 的 DECIDE |
自适应策略已发出恢复决策。 |
诊断器按表中顺序输出结果。停滞判断使用失败或成功动作前的 OBSERVE.value，再与下一个 OBSERVE.value 比较；最后一轮则与 final_state.value 比较。这样所有证据都来自已经持久化的 Trace。
每一条 finding 都包含：
code：稳定的诊断类别；severity：info、warning或error；evidence_event_indices：支撑结论的事件序号；recommendation：可在下一次实验中验证的固定改进方向。
例如，adaptive_recovery 同时包含 action_failure 与 recovery_observed：前者证明故障发生，后者定位故障之后的恢复决策。它不表示恢复一定成功，而是为比较恢复后的完成率与额外步数提供可回放证据。
这些规则只分析当前项目保存的事件字段，适用于确定性学习实验。它们不使用 LLM，不执行实时监控，不自动修复策略，也不会修改既有 Artifact schema。诊断结论应被视为下一次 Loop Engineering 实验的可检验假设，而不是对真实服务故障的完整根因分析。