diff --git a/app/core/llm.py b/app/core/llm.py
index 59a85b7..5fc51d1 100644
--- a/app/core/llm.py
+++ b/app/core/llm.py
@@ -118,6 +118,38 @@ def __init__(self, message: str, *, kind: str, attempts: int, cause: BaseExcepti
         self.cause = cause
 
 
+_API_ERROR_KEYS = {"message", "error", "detail", "msg", "code", "status", "type", "param", "request_id"}
+
+
+def api_error_text(text) -> Optional[str]:
+    """B45：网关有时以 200 返回一段错误 JSON 作为"回复内容"，例如
+    {"message":"prompt: A user's message must contain at least one image or a PDF or audio."}。
+    整段内容是一个 JSON 对象、键全是错误字段（message/error/detail…）时返回错误说明，否则 None。
+    正常结论（中文文字、代码、含其他键的 JSON）不受影响。"""
+    import json
+
+    if not isinstance(text, str):
+        return None
+    t = text.strip()
+    if not (t.startswith("{") and t.endswith("}")):
+        return None
+    try:
+        obj = json.loads(t)
+    except Exception:
+        return None
+    if not isinstance(obj, dict) or not obj or not set(obj) <= _API_ERROR_KEYS:
+        return None
+    err = obj.get("error")
+    if isinstance(err, dict):
+        err = err.get("message") or json.dumps(err, ensure_ascii=False)
+    msg = obj.get("message") or err or obj.get("detail") or obj.get("msg")
+    return str(msg) if msg else None
+
+
+class GatewayErrorContent(Exception):
+    """模型接口返回了错误 JSON 而不是回复（B45）。按短暂故障处理，可重试。"""
+
+
 def classify_error(exc: BaseException) -> tuple[str, bool]:
     """返回 (kind, 是否可重试)。只重试短暂性故障；鉴权/参数错误重试无意义。"""
     try:
@@ -139,6 +171,8 @@ def classify_error(exc: BaseException) -> tuple[str, bool]:
         if isinstance(exc, openai.APIStatusError):
             code = getattr(exc, "status_code", 0) or 0
             return ("server", True) if code >= 500 else ("http_%d" % code, False)
+    if isinstance(exc, GatewayErrorContent):
+        return "gateway_error", True
     if isinstance(exc, TimeoutError) or "timeout" in type(exc).__name__.lower():
         return "timeout", True
     if isinstance(exc, ConnectionError):
@@ -186,6 +220,10 @@ def invoke_message(self, prompt):
             attempts += 1
             try:
                 msg = self.model.invoke(prompt)
+                bad = api_error_text(getattr(msg, "content", None))
+                if bad is not None:
+                    self.tracker.add_message(msg)
+                    raise GatewayErrorContent(f"接口返回错误内容：{bad}")
             except Exception as e:  # noqa: BLE001
                 kind, retryable = classify_error(e)
                 if not retryable or attempts > self.config.max_retries:
diff --git a/app/core/service.py b/app/core/service.py
index 2b76aca..d686958 100644
--- a/app/core/service.py
+++ b/app/core/service.py
@@ -15,7 +15,7 @@
 from collections import defaultdict
 from functools import lru_cache
 
-from app.core.llm import (LLMClient, LLMConfig, LLMError, UsageCallbackHandler,
+from app.core.llm import (api_error_text, LLMClient, LLMConfig, LLMError, UsageCallbackHandler,
                           UsageTracker, build_chat_model, classify_error)
 from app.core.result import AnalysisResult, Step, format_result, refusal_from_answer
 
@@ -236,6 +236,13 @@ def _run_react(res, tracker, cfg, chat_model, df, notes_text, question, dataset,
         elif isinstance(m, AIMessage):
             res.steps.append(Step("answer", content=str(m.content)))
             res.answer = str(m.content)
+    bad = api_error_text(res.answer)
+    if bad is not None:
+        # 网关以错误 JSON 充当回复（B45）：不是答案，按 LLM 基础设施失败记
+        res.answer = ""
+        if res.error is None:
+            res.error = f"LLM 调用失败（gateway_error）：接口返回错误内容：{bad}"
+            res.error_kind = "llm"
     if res.answer.strip().startswith("Sorry, need more steps"):
         # langgraph 剩余步数不足时不抛 GraphRecursionError，而是塞一条英文占位答复（B39）
         res.answer = ""
diff --git a/app/eval/cases.py b/app/eval/cases.py
index 04bbb43..c37f0c7 100644
--- a/app/eval/cases.py
+++ b/app/eval/cases.py
@@ -100,7 +100,7 @@
     ),
     EvalCase(
         id="agg_015", category="aggregation",
-        question="平均每个地区的销售额是多少？",
+        question="各地区总销售额的平均值是多少？",  # B47：原题"平均每个地区的销售额"可读成各地区的单笔平均
         ground_truth="result = (df['units'] * df['price']).groupby(df['region']).sum().mean()",
         keywords=["groupby", "sum", "mean"],
     ),
@@ -229,7 +229,7 @@
     ),
     EvalCase(
         id="corr_007", category="correlation",
-        question="先按产品和地区汇总销量，再求每个产品在各地区之间销量的标准差，判断分布是否均匀。",
+        question="先按产品和地区汇总销量，再求每个产品在各地区之间销量的样本标准差（保留两位小数），判断分布是否均匀。",  # B47：原题未说明样本/总体口径与精度
         ground_truth="result = df.groupby(['product', 'region'])['units'].sum().groupby(level=0).std().round(2)",
         keywords=["groupby", "std"],
     ),
diff --git a/app/eval/cases_extra.py b/app/eval/cases_extra.py
index cd0b8b3..4f7063f 100644
--- a/app/eval/cases_extra.py
+++ b/app/eval/cases_extra.py
@@ -131,7 +131,10 @@ def _refuse(reason: str) -> str:
              question="复购率是多少？",
              ground_truth=_D + "n = d.groupby('user_id').size(); result = round((n >= 2).mean() * 100, 2)",
              alt_ground_truths=[_DONE + "n = d.groupby('user_id').size(); result = round((n >= 2).mean() * 100, 2)",
-                                _D + "n = d.groupby('user_id').size(); result = round(n[n >= 2].sum() / n.sum() * 100, 2)"]),
+                                _D + "n = d.groupby('user_id').size(); result = round(n[n >= 2].sum() / n.sum() * 100, 2)",
+                                # B47：排除已退款的有效订单口径
+                                _D + "d = d[d['status'] != '已退款']; n = d.groupby('user_id').size(); "
+                                     "result = round((n >= 2).mean() * 100, 2)"]),
 ]
 
 
diff --git a/app/eval/comparator.py b/app/eval/comparator.py
index cf3e2ea..422a570 100644
--- a/app/eval/comparator.py
+++ b/app/eval/comparator.py
@@ -40,6 +40,14 @@
 19. 百分数字符串（'7.00%'、Series/dict 里的 '50.58%'）按数值比较；dict 的键里含季度/月份
     （'第一季度销售总额'）且期望是序号索引时按序号对齐，dict 里的非数值项（'哪个季度更高'）忽略；
     问排名时给名次 1..n 的 Series，与期望数值从大到小的次序一致即算对（无并列时）。
+阶段 3c（B46，来自 eval-3b 的 ReAct 复核；只在上面的规则都不匹配时才用，且要求"唯一"以免奖励罗列多种口径）：
+ 20. a) 期望是标签、实际是按值排好序的数值 Series（榜首不并列）→ 榜首标签即答案；
+     b) 实际是带附加信息的 dict（≤8 项、键是文字而不是月份）：
+        期望数值时，第一层数值项里恰好一个等于期望；期望标签时，第一层恰好一个标签值且等于期望；
+        期望 Series/表时，dict 里恰好一个子对象（Series/表/dict）等于期望；
+        期望 Series 且索引是文字标签时，每个标签恰好对应一个"含该标签的键"且数值相等（'工作日平均销量' ↔ '工作日'）；
+        嵌套 dict 里的标量不参与（{'口径A': {'复购率': …}, '口径B': {…}} 这种罗列口径的不算对）；
+     c) 实际是一句话字符串、期望数值：句中恰好一个百分数（没有百分数时恰好一个数字）且等于期望。
 阶段 3：应拒答题由 is_refusal() 判定（"无法回答：<原因>"，原因至少 2 个字），不经过上面的规则。
 """
 import math
@@ -86,11 +94,88 @@ def results_equal(actual, expected, float_tol=1e-4, *, ordered=None, percent_equ
         try:
             if _eq(v, e, float_tol, ordered):
                 return True
+        except Exception:
+            pass
+        try:
+            if _extras_eq(v, e, float_tol, ordered):
+                return True
         except Exception:
             continue
     return False
 
 
+# ------------------------------------------------------------------ 规则 20（B46）
+_NUM_TOKEN_RE = re.compile(r"(?<![A-Za-z0-9_.])[-+]?\d+(?:,\d{3})*(?:\.\d+)?(?![A-Za-z0-9_.])")
+_PCT_TOKEN_RE = re.compile(r"([-+]?\d+(?:\.\d+)?)\s*%")
+_EXTRAS_MAX = 8
+_DATE_KEY_RE = re.compile(r"^\d{4}-\d{2}(?:-\d{2})?$")
+
+
+def _is_label_value(v) -> bool:
+    return isinstance(v, (pd.Timestamp, pd.Period)) or (isinstance(v, str) and not _is_num(v) and _pct(v) is None)
+
+
+def _extras_eq(a, e, tol, ordered) -> bool:
+    """规则 20：答案对、但外面裹了附加信息的形态。见模块说明。"""
+    # a) 期望标签，实际是排好序的数值 Series
+    if _is_label_value(e) and isinstance(a, pd.Series) and len(a) > 1 \
+            and pd.api.types.is_numeric_dtype(a) and not isinstance(a.index, pd.MultiIndex):
+        if (a.is_monotonic_decreasing or a.is_monotonic_increasing) and a.iloc[0] != a.iloc[1]:
+            return _scalar_eq(_py(a.index[0]), e, tol)
+        return False
+    # c) 一句话字符串
+    if isinstance(a, str) and _is_num(e):
+        pcts = _PCT_TOKEN_RE.findall(a)
+        if pcts:
+            return len(pcts) == 1 and _scalar_eq(float(pcts[0]), e, tol)
+        nums = _NUM_TOKEN_RE.findall(a)
+        return len(nums) == 1 and _scalar_eq(float(nums[0].replace(",", "")), e, tol)
+    # b) 带附加信息的 dict
+    if not isinstance(a, dict) or not (1 < len(a) <= _EXTRAS_MAX):
+        return False
+    if not all(isinstance(k, str) and not _DATE_KEY_RE.match(k.strip()) for k in a):
+        return False                     # 键本身是日期/月份 → 是时间序列，不是"答案 + 附加信息"
+    vals = {k: _py(v) for k, v in a.items()}
+    if _is_num(e):
+        leaves = [v for v in vals.values() if _is_num(v) or _pct(v) is not None]
+        if len(leaves) == len(vals) and max(len(k.strip()) for k in vals) <= 4:
+            return False                 # {'华东': 1, '华北': 2, …}：是分组汇总表，碰巧含期望值不算（同规则 10）
+        return sum(1 for v in leaves if _scalar_eq(v, e, tol)) == 1
+    if _is_label_value(e):
+        labels = [v for v in vals.values() if _is_label_value(v)]
+        return len(labels) == 1 and _scalar_eq(labels[0], e, tol)
+    if isinstance(e, (pd.Series, pd.DataFrame)):
+        subs = [v for v in vals.values() if isinstance(v, (pd.Series, pd.DataFrame, dict))]
+        hits = 0
+        for v in subs:
+            try:
+                hits += bool(_eq(v, e, tol, ordered))
+            except Exception:
+                pass
+        if hits == 1:
+            return True
+        if isinstance(e, pd.Series) and not ordered:
+            return _keys_contain_labels(vals, e, tol)
+    return False
+
+
+def _keys_contain_labels(vals: dict, e: pd.Series, tol) -> bool:
+    """规则 20 b：{'工作日平均销量': 14.85, '周末平均销量': 19.72, '工作日记录数': 1320} 对 Series(周末, 工作日)。"""
+    labels = [_py(x) for x in e.index]
+    if len(labels) < 2 or not all(isinstance(x, str) and x for x in labels):
+        return False
+    used = set()
+    for lab, ev in zip(labels, e.values):
+        others = [o for o in labels if o != lab and lab in o]          # '周末' 也是 '非周末' 的一部分时
+        keys = [k for k, v in vals.items()
+                if lab in k and not any(o in k for o in others)
+                and (_is_num(v) or _pct(v) is not None) and _scalar_eq(v, _py(ev), tol)]
+        if len(keys) != 1 or keys[0] in used:
+            return False
+        used.add(keys[0])
+    return True
+
+
 def _scale(v, f):
     """把结果里的数值乘以 f；没有可缩放的数值时返回 None。"""
     try:
diff --git a/app/eval/report.py b/app/eval/report.py
index b6e479e..474d24a 100644
--- a/app/eval/report.py
+++ b/app/eval/report.py
@@ -11,6 +11,7 @@
 import json
 import os
 import platform
+import shutil
 import subprocess
 from datetime import datetime
 
@@ -20,8 +21,39 @@
 _REPO = os.path.dirname(os.path.dirname(os.path.dirname(os.path.abspath(__file__))))
 
 
+_WIN_GIT = (r"C:\Program Files\Git\cmd\git.exe", r"C:\Program Files (x86)\Git\cmd\git.exe")
+_git_problem = None      # B48：最近一次没能调用 git 的原因，报告里写进 git_sha_note
+
+
+def _git_exe() -> str:
+    """git 可执行文件：DATACHAT_GIT 环境变量 > PATH > Windows 默认安装位置。"""
+    exe = os.environ.get("DATACHAT_GIT") or shutil.which("git")
+    if exe:
+        return exe
+    for p in _WIN_GIT:
+        if os.path.exists(p):
+            return p
+    return "git"
+
+
 def _git(*args):
-    return subprocess.run(["git", "-C", _REPO, *args], capture_output=True, text=True, timeout=5)
+    global _git_problem
+    try:
+        r = subprocess.run([_git_exe(), "-C", _REPO, *args], capture_output=True, text=True, timeout=5)
+    except FileNotFoundError:
+        _git_problem = "找不到 git（不在 PATH 上；可设环境变量 DATACHAT_GIT 指向 git.exe）"
+        raise
+    except Exception as e:
+        _git_problem = f"调用 git 失败：{type(e).__name__}: {e}"
+        raise
+    if r.returncode != 0:
+        _git_problem = f"git {args[0]} 退出码 {r.returncode}：{(r.stderr or '').strip()[:200]}"
+    return r
+
+
+def git_sha_note():
+    """git_sha 带 "?" 时说明原因（如 safe.directory 拒绝、git 不在 PATH）；正常时为 None。"""
+    return _git_problem
 
 
 def _sha_from_files(short: bool):
@@ -49,6 +81,8 @@ def _sha_from_files(short: bool):
 
 def git_sha(short: bool = True) -> str:
     """当前 commit；工作区有改动时加 -dirty。git 不可用时退回读 .git 文件，并在末尾加 "?"。"""
+    global _git_problem
+    _git_problem = None
     try:
         r = _git("rev-parse", *(["--short"] if short else []), "HEAD")
         sha = r.stdout.strip()
@@ -239,7 +273,8 @@ def block(items):
         agents = sorted({r.get("agent", "workflow") for r in self.results})
         return {
             "time": datetime.now().isoformat(timespec="seconds"),
-            "git_sha": git_sha(),
+            "git_sha": (sha := git_sha()),
+            **({"git_sha_note": git_sha_note()} if sha.endswith("?") or sha == "unknown" else {}),
             "agent": agents[0] if len(agents) == 1 else agents,
             **self.meta,
             "overall": block(self.results),
@@ -280,6 +315,8 @@ def print_summary(self):
         print("=" * 60)
         print("  DataChat 评测报告")
         print(f"  时间: {s['time']}    commit: {s['git_sha']}    agent: {s['agent']}")
+        if s.get("git_sha_note"):
+            print(f"  ⚠ commit 后的 ? 表示没能确认工作区是否干净：{s['git_sha_note']}")
         if s.get("model"):
             print(f"  模型: {s['model']}    temperature: {s.get('temperature')}    数据指纹: {s.get('data_sha256')}")
         print(f"  总用例: {self.total}")
diff --git a/app/eval/rescore.py b/app/eval/rescore.py
index 4cad2ec..ef3bad5 100644
--- a/app/eval/rescore.py
+++ b/app/eval/rescore.py
@@ -7,6 +7,7 @@
 """
 import json
 
+from app.core.llm import api_error_text
 from app.core.result import refusal_from_answer
 from app.eval.cases import ALL_CASES
 from app.eval.report import load_obj
@@ -17,9 +18,11 @@ def rescore(report_path: str, data_path: str | None = None) -> dict:
     data = json.load(open(report_path, encoding="utf-8"))
     cases = {c.id: c for c in ALL_CASES}
     runner = EvalRunner(data_path or data.get("data"))     # 阶段 3：按题目的 dataset 取表
-    rows, changed, skipped = [], [], []
+    rows, changed, skipped, infra = [], [], [], []
     for row in data["cases"]:
         case = cases.get(row["id"])
+        if api_error_text(row.get("answer")) is not None:
+            infra.append(row["id"])          # B45：旧报告里网关错误 JSON 被当成了结论，按基础设施失败记
         refusal = refusal_from_answer(row.get("answer"))
         if case is not None and refusal is not None and not row.get("actual_obj"):
             # B40：ReAct 没调工具、直接在结论里按契约拒答，旧报告里 result 为空
@@ -64,4 +67,4 @@ def rescore(report_path: str, data_path: str | None = None) -> dict:
             "correctness_rate": correct / n * 100 if n else None,
             "by_category": {k: {"correct": c, "n": t} for k, (c, t) in by_cat.items()},
             "by_dataset": {k: {"correct": c, "n": t} for k, (c, t) in by_ds.items()},
-            "changed": changed, "skipped_no_obj": skipped}  # 无结构化结果或还原失败的题，沿用原判定
+            "changed": changed, "skipped_no_obj": skipped, "infra_errors": infra}  # 无结构化结果或还原失败的题，沿用原判定
diff --git a/app/react_agent.py b/app/react_agent.py
index 9e0376d..abcdd2a 100644
--- a/app/react_agent.py
+++ b/app/react_agent.py
@@ -77,6 +77,8 @@ def run_python_on_data(code: str) -> str:
         "问\"哪个\"时 result 只放标签本身（如 '华中'，不要拼接说明文字或数值），问\"多少\"给数值，"
         "问\"各…/每…\"给以分组键为索引的 Series 或表，问\"哪些/哪条记录\"给筛选出的行（DataFrame），"
         "问题含多个小问时 result 用 dict 把每个小问都答上；数值、说明放在最终中文结论里。"
+        "只有一个问题时不要把答案装进 dict，也不要在 result 里附带样本数、计数、明细、中间统计或其他口径的结果"
+        "（这些写进最终结论）；口径有歧义时选一种最合理的作为 result，其他口径在结论里说明。"
         "不要用中间表或整张排序表收尾。"
         "如果数据回答不了（表里没有所需的字段或信息），不要编造或用别的字段凑："
         "仍然调用一次 run_python_on_data，代码为 result = '无法回答：<一句话原因>'（原因说明缺什么，"
diff --git a/docs/DEVLOG.md b/docs/DEVLOG.md
index 4de8a42..ea7ef3d 100644
--- a/docs/DEVLOG.md
+++ b/docs/DEVLOG.md
@@ -393,7 +393,7 @@ xfail 用 strict 模式：问题一旦修好，对应测试会"意外通过"并
 
 ---
 
-## [7] 2026-10-10 · 阶段 3b 基线复核与修复 · commit <待提交>
+## [7] 2026-10-10 · 阶段 3b 基线复核与修复 · commit 69a63e0（PR #7）
 
 ### 基线（S 运行，分支 eval-3 b87aef3，docs/eval/phase3/）
 - 模型 Qwen3.5-397B-A17B（网关 grg-aikits-test.grgbanking.com），temperature 0，Python 3.11.17，pandas 3.0.6，130 题，n=1。
@@ -427,3 +427,34 @@ xfail 用 strict 模式：问题一旦修好，对应测试会"意外通过"并
 ### 下一步
 - S 删除 eval-3 上的 eval_compare_oracle_20261010_092954.json 后合并（或由本次 PR 一并处理）。
 - 合并后建议 S 再跑一次 `--agent react`，验证 B39/B40/B44 的实际效果；workflow 不必重跑。
+
+## [8] 2026-10-10 · 阶段 3c ReAct 复跑复核与修复 · commit <待提交>
+
+### 复跑（S 运行，分支 eval-3b 4a435e0，docs/eval/phase3b/）
+- 代码 69a63e0，模型 Qwen3.5-397B-A17B（同一网关），temperature 0，Python 3.11.17，pandas 3.0.6，130 题，n=1；只跑 react。
+- 报告 git_sha 仍为 "69a63e0?"：S 的环境里 Python 调不到 git（B48）。
+
+| 配置 | [7] 原判 | [7] 重评 | **3b 实跑** | 本阶段重评 | 应拒答 |
+|---|---|---|---|---|---|
+| react 有字典 | 86.9% | 90.8% | **92.3%**（120/130） | **96.9%**（126/130） | 8/9（另 1 题网关报错） |
+| react 无字典 | 83.8% | 87.7% | **91.5%**（119/130） | **96.9%**（126/130） | 9/9 |
+
+- B39 生效：两次都没有出现 "Sorry, need more steps"；B44 生效：没有出现 ConversionError；B40 生效：拒答 8/9、9/9。
+- 用本阶段比较器重评旧报告：workflow 98.5% / 97.7%（不变，规则 20 没有改动 workflow 的任何判定），react（阶段 3 报告）92.3% / 90.8%。
+- 本阶段重评后剩下的错题：有字典 agg_015（题意歧义，B47 改题）、corr_007（总体标准差且只留 1 位小数，B47 改题）、ord_030（没按 order_id 去重，75.77%）、ord_026（网关报错，B45）；无字典 corr_007（只留 1 位小数）、ord_027（没去重）、ord_029（同时给出按销售额、按销量两种答案）、ord_030（两种口径并列）。真正算错的只有“没去重”这类数据陷阱，两次各 1 题。
+
+### 本阶段修复
+| ID | 级别 | 位置 | 问题与修复 |
+|---|---|---|---|
+| B45 | P1 | app/core/llm.py、service.py、rescore.py | 网关以 200 状态码返回 `{"message":"prompt: A user's message must contain at least one image…"}` 作为回复内容，ReAct 把它当成结论（ord_026）。新增 `api_error_text()`：整段内容是只含错误字段（message/error/detail…）的 JSON 时识别为接口错误。ReAct 记 error_kind=llm（计入基础设施失败，不算答错）；工作流的 LLMClient 视为可重试的 gateway_error；--rescore 在 infra_errors 里列出旧报告中的这类题 |
+| B46 | P1 | app/eval/comparator.py、react_agent.py | ReAct 常把答案装进带附加信息的 dict（样本数、明细、中间统计），或返回排好序的整张 Series 回答"哪个"。比较器规则 20（只在其他规则都不匹配时才用，且要求唯一匹配）：a) 期望标签、实际是按值排序的 Series 且榜首不并列 → 比较榜首；b) ≤8 项、键为文字的 dict：第一层恰好一个数值/标签等于期望，或恰好一个子对象等于期望 Series，或每个期望标签恰好对应一个含该标签的键；嵌套 dict 里的标量不参与，以免奖励罗列多种口径；全是数值且键 ≤4 字的视为分组表，不适用；c) 一句话字符串里恰好一个百分数（或恰好一个数字）。同时收紧 ReAct 提示词：单一问题不要把答案装进 dict 或附带样本数、明细、其他口径 |
+| B47 | P2 | cases.py、cases_extra.py | agg_015 "平均每个地区的销售额"可读成各地区的单笔平均 → 改为"各地区总销售额的平均值是多少？"；corr_007 没写样本/总体口径和精度 → 题目写明"样本标准差（保留两位小数）"；ord_030 增加"排除已退款"的有效订单口径（73.15%）作为合理答案。注意：agg_015、corr_007 的题面变了，与之前的基线不完全可比 |
+| B48 | P3 | app/eval/report.py | git_sha 带 "?" 的原因没有记录。现在依次找 DATACHAT_GIT 环境变量 → PATH → Windows 默认安装位置的 git；仍失败时报告写 git_sha_note（找不到 git，或 git 的退出码与 stderr，例如 safe.directory 拒绝），控制台也会打印 |
+
+### 指标快照
+- 单测：Linux Python 3.11 **386 passed**。
+
+### 下一步
+- S 再跑一次 `--agent react`（有字典 / 无字典），验证 B46 提示词收紧后 dict 形态是否减少、B47 改题后的效果；顺便看报告里有没有 git_sha_note。
+- 阶段 3 收尾后进入阶段 4（见 roadmap/plan.md）。
+
diff --git a/tests/test_comparator.py b/tests/test_comparator.py
index d86f951..e6176b3 100644
--- a/tests/test_comparator.py
+++ b/tests/test_comparator.py
@@ -212,3 +212,56 @@ def test_rule19_rank_numbers_vs_values():
     assert results_equal(pd.Series([3, 1, 2, 4, 5], index=list("ABECD")), e)
     assert not results_equal(pd.Series([1, 2, 3, 4, 5], index=list("EBACD")), e)
     assert not results_equal(pd.Series([1, 2, 3], index=list("BEA")), e)
+
+
+# ---- 规则 20（B46）：答案外面裹了附加信息
+def test_rule20_label_vs_sorted_series():
+    s = pd.Series([153906.21, 152786.38, 96935.99], index=pd.Index(["杭州", "上海", "武汉"], name="city"))
+    assert results_equal(s, "杭州")
+    assert results_equal(s.sort_values(), "武汉")                       # 升序时榜首是最小值
+    assert not results_equal(s, "上海")
+    assert not results_equal(s.sort_index(), "杭州")                    # 没按值排序：看不出答案
+    assert not results_equal(pd.Series([5.0, 5.0, 1.0], index=["甲", "乙", "丙"]), "甲")   # 榜首并列
+
+
+def test_rule20_scalar_inside_dict():
+    a = {"2023年内离职人数": 14, "2023-01-01在职人数": 183, "流失率(%)": 7.65}
+    assert results_equal(a, 7.65)
+    assert not results_equal(a, 7.5)
+    # 不唯一（≤4 项的 dict 归规则 10 管，这里用 5 项）
+    assert not results_equal({"甲项指标值": 7.65, "乙项指标值": 7.65, "丙项指标值": 1, "丁项指标值": 2, "戊项指标值": 3}, 7.65)
+    assert results_equal({"甲项指标值": 7.65, "乙项指标值": 7.7, "丙项指标值": 1, "丁项指标值": 2, "戊项指标值": 3}, 7.65)
+    assert not results_equal({"2024-01": 1.0, "2024-02": 7.65, "2024-03": 3.0}, 7.65)  # 时间序列
+    assert not results_equal({f"k{i}": i for i in range(9)} | {"x": 7.65}, 7.65)  # 太多项
+    # 嵌套的多种口径不算对
+    hedged = {"口径A": {"复购率": "73.15%"}, "口径B": {"复购率": "75.46%"}}
+    assert not results_equal(hedged, 75.46)
+
+
+def test_rule20_label_inside_dict():
+    a = {"top_day": "2024-05-04", "top_sold": 579, "top5": {"2024-05-04": 579, "2024-05-05": 560}}
+    assert results_equal(a, "2024-05-04")
+    assert results_equal({"总销量最高的SKU": "K100", "总销量": 14769}, "K100")
+    assert not results_equal({"按销售额最好": "数码", "按销量最好": "服饰", "x": 1}, "数码")   # 两个标签
+
+
+def test_rule20_series_inside_dict():
+    e = pd.Series([545, 500, 299], index=pd.Index(["S01", "S02", "S05"], name="store"))
+    assert results_equal({"各门店期末库存": e.copy(), "合计": 1344}, e)
+    assert results_equal({"总行数": 1218, "各店": {"S01": 545, "S02": 500, "S05": 299},
+                          "分布": {"a": 1, "b": 2}}, e)
+    assert not results_equal({"各店": {"S01": 545, "S02": 501, "S05": 299}, "合计": 1345}, e)
+
+
+def test_rule20_dict_keys_contain_labels():
+    e = pd.Series([19.72, 14.85], index=pd.Index(["周末", "工作日"], name="date"))
+    assert results_equal({"工作日平均销量": 14.85, "周末平均销量": 19.72, "工作日记录数": 1320, "周末记录数": 520}, e)
+    assert not results_equal({"工作日平均销量": 19.72, "周末平均销量": 14.85}, e)
+    assert not results_equal({"工作日平均": 14.85, "周末平均": 19.72, "周末均值": 19.72}, e)   # 一个标签对应两个键
+
+
+def test_rule20_sentence_string():
+    assert results_equal("退款率 7.00%（已退款 84 / 去重订单 1200）", 7.0)
+    assert results_equal("共 1,200 单", 1200)
+    assert not results_equal("7.00% 或 7.5%", 7.0)
+    assert not results_equal("已退款 84 / 去重订单 1200", 84)
diff --git a/tests/test_core_analyze.py b/tests/test_core_analyze.py
index ef56299..695c9dd 100644
--- a/tests/test_core_analyze.py
+++ b/tests/test_core_analyze.py
@@ -200,3 +200,12 @@ def test_react_sorry_placeholder_is_error(sample_path):
     m = ScriptedChatModel(replies=["Sorry, need more steps to process this request."], calls=[])
     res = analyze(sample_path, "q", agent="react", chat_model=m, llm_config=FAST)
     assert res.answer == "" and res.error_kind == "agent" and "recursion_limit" in res.error
+
+
+def test_react_gateway_error_json_is_llm_error(sample_path):
+    """B45：网关返回 {"message": ...} 作为回复内容时，不是结论，按 LLM 基础设施失败记。"""
+    m = ScriptedChatModel(replies=['{"message":"prompt: A user\'s message must contain at least one image."}'],
+                          calls=[])
+    res = analyze(sample_path, "q", agent="react", chat_model=m, llm_config=FAST)
+    assert res.answer == "" and res.error_kind == "llm" and "gateway_error" in res.error
+    assert not res.executed
diff --git a/tests/test_eval_cases.py b/tests/test_eval_cases.py
index 0078b9e..1a0fa61 100644
--- a/tests/test_eval_cases.py
+++ b/tests/test_eval_cases.py
@@ -186,3 +186,22 @@ def boom(*a, **k):
     monkeypatch.setattr(rep, "_git", boom)
     sha = rep.git_sha()
     assert sha != "unknown" and sha.endswith("?") and len(sha) == 8
+
+
+def test_ord_030_refund_excluded_alt():
+    """B47：排除已退款的有效订单口径（73.15%）也算对。"""
+    case = next(c for c in ALL_CASES if c.id == "ord_030")
+    outs, _ = _RUNNER.expected_all(case)
+    assert score(73.15, case, outs) and score(75.46, case, outs)
+    assert not score(75.77, case, outs)                 # 没按 order_id 去重
+
+
+def test_git_sha_note_when_git_missing(monkeypatch):
+    """B48：调不到 git 时 sha 带 "?"，并在报告里写明原因。"""
+    from app.eval import report
+    monkeypatch.setenv("DATACHAT_GIT", os.path.join(ROOT, "no-such-git.exe"))
+    sha = report.git_sha()
+    assert sha.endswith("?") or sha == "unknown"
+    assert "DATACHAT_GIT" in (report.git_sha_note() or "")
+    s = EvalReport([], meta={}).summary()
+    assert "git_sha_note" in s
diff --git a/tests/test_llm.py b/tests/test_llm.py
index 82808af..05eb2eb 100644
--- a/tests/test_llm.py
+++ b/tests/test_llm.py
@@ -92,3 +92,27 @@ class M:
     t.add_message(type("M2", (), {"usage_metadata": {"input_tokens": 3, "output_tokens": 4}})())
     u = t.snapshot()
     assert u.calls == 2 and u.total_tokens == 7 and u.reported is False
+
+
+# ---- B45：网关以错误 JSON 充当回复
+def test_api_error_text():
+    from app.core.llm import api_error_text
+    msg = '{"message":"prompt: A user\'s message must contain at least one image or a PDF or audio."}'
+    assert api_error_text(msg).startswith("prompt: A user's message")
+    assert api_error_text('{"error": {"message": "rate limited", "code": 429}}') == "rate limited"
+    assert api_error_text('{"result": 1, "message": "x"}') is None        # 有其他键：不是错误包
+    assert api_error_text("各地区销售额如下……") is None
+    assert api_error_text("{不是 JSON}") is None and api_error_text(None) is None
+
+
+def test_gateway_error_content_is_retried():
+    client, sleeps = _client(['{"message": "upstream glitch"}', "好"], backoff_base=1.0)
+    assert client.invoke("hi") == "好"
+    assert sleeps == [1.0]
+
+
+def test_gateway_error_content_gives_up():
+    client, _ = _client(['{"message": "bad"}'] * 3, max_retries=1, backoff_base=0.0)
+    with pytest.raises(LLMError) as ei:
+        client.invoke("hi")
+    assert ei.value.kind == "gateway_error"