skelet/docs/evaluator-rubric.md

评审评分表

在一轮（或几轮）会话实现完成后、正式验收前，用这张表做一次结构化评审，回答"这轮 agent 做得好不好"。 它评的是单次输出质量；代码库长期健康度见 quality-document.md。

评分维度

六个维度，每个 0-2 分（0 不满足 · 1 部分满足 · 2 满足）。

维度	问题	分数 (0-2)	备注
正确性	实现出来的行为是否符合目标功能 / 验收标准？
验证	要求的检查是否真的跑过，并在 ../progress.md 留下证据？
范围纪律	这一轮是否基本保持在选定的单个任务范围内？
可靠性	结果是否能在重启或重跑后继续工作？
可维护性	代码和文档是否清楚到足以交给下一轮会话？
交接准备度	新会话是否能只靠仓库内文件继续推进？

结论

从下面三选一：

• Accept — 达标，可验收。
• Revise — 需要修补才能接受（列出必须补的修复）。
• Block — 有根本性问题，需要先解决（列出阻塞项）。

后续动作

• 缺失的证据：
• 必须补的修复：
• 下次复审触发条件：

关于校准（重要）

开箱即用的 agent 做评审很弱——它会发现问题，然后把自己说服到通过。所以这张表的通过/失败标准需要反复校准到和人工判断一致：

1. 用本表给一个已完成的任务打分。
2. 把它的分数和你自己的人工判断对比。
3. 有分歧的地方，把对应维度的"什么算 2 分 / 什么算 0 分"写得更具体，落到本项目的真实验收标准上。
4. 对同一个输出重新打分，看是否对齐。
5. 重复直到评审判断和人工评审基本一致。

预计需要 3-5 轮校准。每轮在 ../progress.md 记录改了什么、为什么改。