用证据支撑结论
Evidence Chain / Proof-of-Work
每个结论都指向实际检查过的证据，并说明哪些部分尚未验证。
测试与评估
制定具体的评分标准
Scoring Rubrics
在评分前写清各档分数的依据，以及什么结果需要采取行动。
先检查自己的草稿
Self-Critique
展示结果前，按明确的错误类型检查并修正草稿。
用两个模型互相质疑方案
Dual-Model Adversarial Planning
让两个模型分别提出和挑战方案，保留有依据的分歧。
用证据说明评审发现
Evidence-First Review
报告缺陷时写清触发条件、执行路径和实际后果。
按 YAML 规则清单评审
Rule-Catalog Review (YAML)
逐项核对规则清单，记录具体违反了哪条规则。
按明确标准评估模型
Rubric-Based Model Evaluation
用统一的评分标准和样本比较模型表现。
让新 Agent 试读文档
Reader Testing with Sub-Agent
检查没参与之前讨论的读者能否独立理解文档。
隐藏版本身份做 A/B 对比
Blind A/B Comparison
在相同任务上比较两个版本的输出，不向评估者透露版本身份。
用 QA Agent 检查实际页面
QA Sub-Agent with Visual Verification
交付前渲染产物，检查用户实际会看到的内容。
计划要求的缺陷也要报告
Plan-Mandated Defect Is Still a Finding
即使缺陷来自原计划，评审也应指出问题并解释影响。
默认只评审 diff，明确风险时例外
Diff-Scoped Review with Named-Risk Escape Hatch
把范围限制在变更内容；需要扩大范围时说明具体风险。
评审时复用有效测试证据
Reviewer Does Not Re-Run the Implementer's Tests
现有证据有效时不重复测试，有具体疑点时只检查相关部分。
只纳入实际可触达的变更
Reachability-Scoped Delta
按当前路径可访问的内容界定变更范围。
区分工具执行的三种状态
Tool-Ran Tri-State Provenance
区分工具是否存在、可运行及实际运行，并另记执行结果和任务覆盖。
与基线比较，检查行为是否等价
Differential Baseline-Equivalence Oracle
通过差分比较判断新旧实现是否保留了要求的行为。
检查指令是否改变默认行为
No-Op Test (Behavior-vs-Default Pruning)
与不添加指令的情况比较，删除没有实际作用的规则。
分别检查标准与需求
Two-Axis Orthogonal Review (No Cross-Axis Reranking)
按两个独立维度评审，不用其中一个维度的结果改变另一个的排序。
把缺少模块边界也作为问题
Absence-of-Seam as a Finding
如果职责无法分开或独立替换，应将这种结构问题记录下来。
无法安全运行时追踪代码路径
Static-Trace Verification When Execution Is Unsafe
执行会有风险时，通过静态追踪验证行为，并说明验证局限。
检查产物的实际尺寸和限制
Validate measured artifact constraints
测量生成结果是否符合交付要求，再针对超限部分修改。
先用小样本验证抽取规则
Pilot a fixed extraction contract
确定要抽取的字段，用少量样本验证后再批量处理。
同时考虑正常使用和滥用场景
Abuse cases beside intended use cases
针对每个信任边界列出可能的滥用，再选择保护措施。
按承诺的交付类型评分
Grade the declared artifact kind
交付可执行产物和交付对话说明，需要不同的评分证据。
用实际使用方验证产物
Validate the consumer interpretation
本地宽松的读取器通过，不代表真正接收产物的工具也能接受。
按完整预期结果核对评分
Bind grader results to the full expectation set
确认评分对应正确样本，再按全部预期项重新计算总分。
同时评审代码和通过标准
Review changes to the quality bar itself
检查验证器是否被放宽，避免靠降低要求让测试通过。
以实测基线逐步提高要求
Measured baseline ratchet
不使用会让现有基线必然失败的任意目标，先保证实测表现不退步。
排除正常波动后再判断改进
Noise-aware intervention comparison
在相同条件下比较单个变化，只有差异超过正常波动才认为有效。
反向路由测试也要去往正确 Skill
Owned negative routing controls
测试“不该调用这个 Skill”时，还要确认请求被交给合适的替代者。
先核实评审意见，再安排修复
Ordered reconciliation of reviewer findings
把评审结论当作待验证的判断，结合实际产物分类后再行动。
分别检查任务完成和项目就绪
Task acceptance and standing readiness
既验证本次要求的行为，也检查项目一贯的交付要求。
条件没变化时复用验证结果
Reuse verification until its assumptions change
只有相关代码或基线假设变化后，才重跑已经通过的检查。
验证监控通道本身能工作
Verify the evidence channel itself
主动生成已知信号，确认能从预期的通道查到它。
不让被测 Agent 接触标准答案
Keep answer keys outside agent reach
把答案与被测系统隔离，包括历史记录和前几轮生成的文件。
把评分和记录绑定到同一次尝试
Keep attempts, grades and traces coherent
区分执行失败与可评分结果，确保分数、轨迹和用量属于同一次调用。
区分生成波动与评分波动
Separate build variance from scoring variance
分别测量每次生成产物的差异，以及对同一产物重复评分的差异。
根据具体结论提出核验问题
Concrete, intent-aware verification prompts
问题应对应真实的结论和假设；用户已经要求核验时直接执行。
评分规则变化后重新评估所有方案
Regrade all variants after a criterion change
用新指标对所有候选的已保存输出重新评分，再推荐最佳方案。
条件变化后重新设置无改动对照
Use fresh no-change controls after drift
环境变化时，用同一时期的原方案作对照，避免只与历史分数比较。
检查 Agent 操作后的实际环境
Grade the environment left by an agent
任务会改变环境时，应评分最终状态；对话记录用于检查过程要求。
多轮比较使用同一组参考产物
Freeze comparison references across rounds
保留固定参考文件；增加更难的对照时也保留旧参考。
说明评测参考答案的来源
Record the origin of evaluation references
标明答案是独立核验的，还是由参与比较的系统生成的。
修订提示词时隔离保留样本的反馈
Keep selection feedback out of revision prompts
不把保留样本的结果透露给改写提示词的模型，并准确描述筛选样本的用途。
确认最终组合配置能工作
Confirm the selected configuration as a whole
分步选择多个设置后，用新运行验证最终组合，并沿用预先确定的标准。
优化无效时先定位失败层
Classify the failing layer when optimization stalls
连续改写没有改善结果时，先判断问题在哪一层，而非继续堆指令。
从真实应用入口进行评测
Evaluate the real application entry point
走应用实际的上下文组装、工具路由和重试路径，而非只复刻最终请求。
沿调用路径查找错误数据的起点
Trace invalid data back to its origin
从失败结果向上追踪调用者和参数，定位错误输入最早产生的位置。
汇总前区分增量与累计计数
Establish counter semantics before totals
先确认指标是本次增量还是累计读数，避免重复计入总数。
用独立且能发现错误的标准验证
Use an independent, mutation-sensitive oracle
独立计算预期值，并确认看似合理的错误行为也会导致测试失败。
页面之间要有动作和状态衔接
Successor screens require an action and carried state
把多屏设计当作完整用户旅程，检查触发下一屏的动作与传递的数据。
避免版式泄露测试答案
Remove presentation answer cues
让不同选项的呈现方式保持一致，避免从布局看出正确答案。
主动验证保护规则能拦住违规
Guardrail negative-control proof
构造一次故意违规的操作，确认被阻止，再恢复干净的成功状态。
区分不完整样本与故意无效的输入
Explicit partial and invalid fixture intent
测试中明确哪些样本是有效但不完整，哪些用于验证错误处理。
机械规则交给检查工具，判断留给评审
Mechanics to checks, judgment to review
语法和结构问题用自动检查处理，文字规则重点说明需要判断的部分。
在真实环境中比较设计方案
Compare structural variants in shared context
把方案放到实际使用环境里比较，并保持测试数据一致。
说明观察结果来自哪个时间点
Qualify observations by when they were captured
区分历史证据、未验证快照、当前观察和未知状态。
先检查不能妥协的阻塞项
Hard Blockers Override Aggregate Scores
先应用硬性门槛，再判断综合分数是否足以交付。
知道答案后的描述不算独立验证
Conditioned Description Is Not Independent Validation
评分者已看到被测答案时，应标为有条件的描述，不能当成独立佐证。
根据失败代价选择评测指标
Choose Metrics from Failure Costs
先明确要做的决策和各类错误的代价，再选择指标并优化分数。
说明测量到底统计了什么
Measurement Unit and Scope Boundaries
先声明计数单位和范围，再用结果支撑其他资源或行为方面的判断。
检查相关输入之间的结果关系
Related-Input Invariant Oracle
除固定样本外，还检查输入变换后输出应满足的关系。
用同一组试验比较候选和基线
Compare Candidate and Baseline on the Same Trial Panel
保存每次配对结果，再按预先声明的整体标准判断。
前置检查失败时撤销依赖它的通过结论
Propagate Failed Prerequisites
某项前提验证失败后，所有依赖它的检查结果都要重新判断。
区分重试后成功与每次都可靠
Retry Success vs Repeated Reliability
一次经过重试的成功，不能证明所有重复试验都能成功。
整体指标和重要子任务都要达标
Aggregate and Slice Evaluation Gates
除总体分数外，分别检查重要任务类型，并在看结果前确定门槛。
区分任务成功与新增指令的收益
Separate behavior success from intervention benefit
分别说明目标行为是否完成，以及新增指令是否带来改善。
只比较覆盖范围一致的趋势
Comparable-coverage trend reporting
检查范围和测量条件可比时，才把结果作为趋势比较。
结论不能超出实际观察范围
Keep claims within the observed channel
摘要和回归断言都保留原证据的验证边界。
用独立证据确认任务完成
Independent completion witness
区分外部观察到的行为和被测代码自己声明的完成状态。
检查异步操作的不同完成顺序
Review both overlapping completion orders
组合测试共享状态上的竞争操作，避免只分别检查每个操作。
按用户旅程比较同类产品
Persona-grounded peer benchmarking
先确定用户和起止边界，再比较步骤与证据；估算、未知和待选择目标分别记录。
试验前固定次数和判定规则
Predeclare trials and verdict rules
随机评测开始前固定样本和尝试次数，并保留每次计划内的结果。