eval-cs-skill

启动必读

动作前先跑 CodeStable preflight：读 .codestable/attention.md（缺失先 cs-onboard）；不要用 AGENTS.md/CLAUDE.md 等外部入口代替它；细则见 .codestable/reference/execution-conventions.md。

eval-cs-skill 是「造 skill 的 skill」：把 CodeStable 各 skill 的 编写 → 评测 → 优化 → 再评测 做成一条可复现、跨 model/agent 的迭代闭环。它编排的对象是 skill 自身的生命周期，不是业务代码 feature。它自指——同一套 harness 也能评测并优化 eval-cs-skill 自己。

评测执行引擎（runner / scorers / harness 适配器）由本 skill 自带于 scripts/；实验纪律、双层价值函数、收敛判据、知识回写复用 BAIME 引擎（run-quantitative-experiment、methodology-bootstrapping、knowledge-extractor）——以文本判据内联，运行时不跨插件读 BAIME 文件。

入口意图

本次调用参数：$ARGUMENTS

意图来源优先级：调用参数 flag > 用户话术。参数为空或仍是字面 $ARGUMENTS 时跳过该来源。--stage 表示阶段意图，--experiment <dir> 指定实验目录，其余文本作为被测 skill 名或诉求。

无参数默认：不猜阶段；扫描 experiments/ 与被测 skill 现状，用状态机恢复下一步；仍不确定就问用户要处理哪个 skill、想到哪一步。

入口意图只是偏好，仓库事实优先。

闭环是什么（速读）

生产失败(cs-feedback) ┐
planted-defect fixtures ┼─▶ runner.py（多 harness/model 执行被测 skill，隔离宿主）
golden 任务 ────────────┘        │
                                 ▼
        scorers：确定性(planted_defect 召回 / dod_gate) + llm_judge 两轴(照做没/质量)
                                 │ 指标 token/$/wall/turns（带 [measured]/[soft] tag）
                                 ▼
     optimize.py：预注册 hypothesis → 生成变体 → 评测 → keep/kill → 收敛(V_instance∧V_meta)
                                 │ 持久 experiments/<skill>-NNN/iteration-N.md
                                 ▼
     release：knowledge-extractor 草稿 → 适配成 CS 合规结构 → 打版本 → 回归 N 次电池

文件放哪儿

experiments/{skill}-{NNN}/
├── hypotheses.md          # 预注册，冻结后先 git commit 再跑任何 LLM（provenance）
├── config.json            # ExperimentConfig 声明
├── fixtures/{planted-defect,golden,sanity,regression}/*.json
├── calibration.md         # judge 校准 F1（oracle 校准证据）
├── iteration-0..N.md      # 每轮观测，[measured]/[soft] 标注
├── results.md             # 人读摘要 + evidence_pointer + 收敛模式
└── artifacts/
    ├── runs/              # gitignored 原始响应
    └── analysis/{exp-NNN-results.json,baseline.json}

被测 skill 与本 skill 的执行代码在包内 scripts/；被测 SKILL.md 以快照文本注入 prompt（不读宿主已装版本，避免测成旧版）。

Stage 状态机

按仓库事实恢复：

用户说「下一步」时，按仓库事实而非聊天历史判断。

Reference 加载（渐进）

只在进入对应阶段时加载厚规则：

• author：references/author/protocol.md（skill 编写契约：frontmatter、渐进披露、model/harness 无关措辞、包结构、≤300 行）
• eval：references/eval/protocol.md
• optimize：references/optimize/protocol.md，模板见 references/optimize/support/
• release：references/release/protocol.md
• 自治：references/autonomy/protocol.md

不要一次读完；按阶段加载。

工具入口（从本 skill 包运行）

# 评测（--dry-run 先估成本；超预算需 --confirm）
python3 {skill_dir}/scripts/runner.py --experiment experiments/{skill}-{NNN} [--harness H --model M --k N] [--dry-run]
# 优化收敛循环
python3 {skill_dir}/scripts/optimize.py --experiment experiments/{skill}-{NNN} --max-iterations N
# 固化回写 + 打版本 + 回归
python3 {skill_dir}/scripts/adapt_extracted_skill.py --draft .claude/skills/{name} --target {skill}
python3 {skill_dir}/scripts/regression.py --experiment experiments/{skill}-{NNN} --n 5
python3 {skill_dir}/scripts/bump_version.py --to X.Y.Z

{skill_dir} = 本 SKILL.md 所在目录。工具随 skill 包分发，不复制到 .codestable/tools/。

认知诚实纪律（硬约束）

• 一切数值必带 tag：[measured]（oracle/机械可验）/ [soft]（自评估算）/ [underpowered]（k<5 或 n<8）。
• hypotheses.md 冻结后先 git commit 再跑任何 LLM；provenance 由 tests/test_cs_skill_convergence.py 机械校验。
• 禁止裸 V_instance = 0.XX 自评分；收敛判据见 optimize 协议。
• 跨模型 ≥2；judge 模型须独立于被测模型（避免同源偏差）。

成本护栏

多模型运行前用 --dry-run 估算 token×pricing；单实验默认预算上限 $50，超限阻断需 --confirm。分层省钱：确定性 scorer 先跑、llm_judge 只评候选变体、cheap model 探路 + 贵 model 只做终判。

退出条件

• 当前 stage 产物已落盘，状态可由 experiments/ 事实恢复。
• eval 产出带 tag 的 measured 分数与 evidence_pointer。
• optimize 产出 iteration-N 与收敛判定；release 产出合规回写 + 版本同步 + 回归结论。
• 需要外部文档时提示 cs-docs；需要沉淀坑/决策时提示 cs-keep。

相关入口

• cs-feedback：生产失败采集；其失败案例可转成 fixtures/regression/。
• cs-code-review / cs-issue / cs-audit：常见被测 skill。
• cs-onboard：runtime 与共享 reference 的属主。