docs(stress): abtest 补「跨版本对比的陷阱」—— 老版本可能只是没干活

脚本原本只写「加速比 = 基线延迟 / 新版延迟」。实测发现跨版本对比时这个
数字**没有意义**：

    N    老版本 中位/处理数      新版本 中位/处理数      算出的"加速"
    2    0.273s / 0 个        0.480s / 2 个          0.57x
    4    0.273s / 0 个        0.492s / 4 个          0.55x
    8    0.273s / 0 个        0.512s / 8 个          0.53x

"老版本更快"是假的 —— 它只是没干活：适配器缺 stream_index 透传 ⇒ 多个
分片并到槽 0 ⇒ argsRaw 混拼 ⇒ 每个工具报"参数不是合法 JSON"而一个都没
真跑。

★ 跨版本能比的硬指标是**处理数**；耗时对比只在新版内部做（混一个非并发安全
工具触发整批降级）才有意义 —— 那种对照下 N=12 时加速 5.72×。

顺带记下：老版本的内核分桶逻辑其实完整（`idx := tc.StreamIndex` + `accs[idx]`，
来自 2026-08-26 的 ddef195），缺的只是适配器那一个字段；而生产在当天 15:46
就手工补上了，比该提交（16:10）早 32 分钟。

scripts/kernel-stress/abtest.py

@@ -8,6 +8,24 @@
 1. **平均轮次延迟** —— 从发输入到收到最终回复的墙钟时间。
    并发的理论收益 = 单工具耗时 × (N-1)：串行要 N×t，并发只要约 1×t。
 2. **加速比** = 基线延迟 / 新版延迟。
+
+★ 用这个脚本做**跨版本**对比时，先看"处理了几个工具"，别看加速比。
+
+实测：老版本（28b42bc，批内多 tool_call 但串行）的适配器缺
+`stream_index` 透传 ⇒ 多个分片并到槽 0 ⇒ argsRaw 混拼 ⇒
+每个工具报「参数不是合法 JSON」而**一个都没真跑**：
+
+    N    老版本 中位/处理数      新版本 中位/处理数      算出的"加速"
+    2    0.273s / 0 个        0.480s / 2 个          0.57x  ← 无意义
+    4    0.273s / 0 个        0.492s / 4 个          0.55x
+    8    0.273s / 0 个        0.512s / 8 个          0.53x
+
+"老版本更快"是假的 —— 它只是没干活。**跨版本能比的硬指标是处理数**；
+耗时对比只在新版内部做（混一个非并发安全工具触发整批降级）才有意义。
+
+老版本的内核分桶逻辑其实完整（`idx := tc.StreamIndex` + `accs[idx]`，
+来自 2026-08-26 的 ddef195），缺的只是适配器那一个字段 —— 而生产在
+当天 15:46 就手工补上了，比该提交（16:10）早 32 分钟。
 3. **工具消息顺序** —— 内核声明「并发执行但按**声明序**落消息」，
    而 mock 故意让完成顺序与声明序**相反**（索引越大 sleep 越短）。
    所以：若响应里的工具顺序是 0,1,2,…，说明按声明序落对了；