# D3D-001-LAB1 — فضای کار یادگیرنده

از شواهد مصنوعی و قابل‌مشاهده، `Production Mesh Modeling and Topology Evidence Pack v1` را بسازید. فایل آغازین هیچ وضعیت نهایی ازپیش‌پرشده‌ای ندارد.

`fixture_ref` را برابر یکی از شناسه‌های قابل‌مشاهده در `CHECK_RULES.json` قرار دهید و `evidence_ref` را به صورت `fixture://<fixture_ref>` بنویسید. برای تغییرهای آزمایشی، شناسهٔ همان mutation را استفاده کنید؛ بررسی‌گر آن تغییر را به‌طور قطعی روی fixture مبنا اعمال می‌کند و سپس شواهد ارائه‌شده را مقایسه می‌کند. بررسی‌گر هرگز وضعیت نهایی را برای شما انتخاب نمی‌کند.

ابتدا `baseline_fixture.json` را بررسی کنید، هر mutation را مستقل تحلیل کنید و سپس fixture انتقال را از هدف خودش دوباره بسازید. هر وضعیت انتخاب‌شده باید دست‌کم یک شرط آیندهٔ مرتبط با نوع `review`، `migration`، `escalation`، `stop` یا `pivot` داشته باشد؛ پر کردن هر پنج نوع اجباری نیست.

اجرا: `python run_checks.py evidence/your_pack.json`

`CONSISTENT` فقط یعنی JSON به fixture اعلام‌شده متصل است و با قواعد منتشرشده در `CHECK_RULES.json` سازگاری دارد؛ این نتیجه تأیید انسانی، اثبات حقوق، گواهی سازگاری بین‌ابزاری یا پاسخ پنهان نیست.

### اتصال کامل وضعیت مثبت به fixture
برای `READY` یا `TARGET_SPECIFIC`، همهٔ فیلدهای حیاتی/الزامیِ وضعیت مثبت و هر الزام هدفی که در fixture ارسال‌شده وجود دارد باید ارائه شوند و با همان fixture تطبیق داشته باشند. `material_slot_count` فقط دادهٔ موجودی غیرحیاتی است: می‌توانید آن را ثبت کنید و checker در صورت ثبت، مقدارش را به fixture متصل می‌کند؛ اما نبود آن به‌تنهایی وضعیت مثبت را مسدود نمی‌کند.