好好说话 · 评测与每日召回
这个技能管两件事：每天自动召回，把 haohao-shuohua 在新题上犯的错找出来、攒够了再改、改了要验证；另外，需要时做一次性的评测。
召回的标准只有一个：技能在完整的任务里，有没有把原文改坏，有没有没改好。 改坏指失真：编了原文没有的东西、丢了信息、改了程度范围模态、术语通俗化、场合错配。没改好指 AI 味还在、新添了病句、没毛病的句子也动了手。分数和正则只当提示，不当结论。
铁律（每一步都不许破）
- 保真第一。 判改坏只看原文和上下文：改写里每条信息都要找得到出处，原文每条信息都要找得到下落。改写得再顺，失真就是改坏了。口语不等于自然。
- 裁判只核对，不打总分。 每条问题都要引用原句，交给
loop.py逐字核对，对不上的作废。拿不准就判「不确定」并给出争议片段，不硬判。 - 评测时不改被测版本。 改进只写进候选细则；候选冻结以后才改写、才判。判完不许回头改候选、放宽门槛、重试到过为止。
- 发不发布只看
loop.py算出来的门禁。 拿不准就不发，不许每天必须发布，不许手动改判或跳步骤。 - 底线条款只有作者能改。 自动流程只动
daily-learning.md，不碰haohao-shuohua的技能文件，也不读不写作者的style.md。 - 没跑的步骤写「没跑」。 不许编结果，不许凭记忆汇总。命令报错就停下，把原始报错写进日报。
- 材料和凭证守规矩。 真实材料只用作者明确给的来源，不自动扫描私人文档；个人信息、财务、公司敏感内容不用。凭证靠环境变量或平台密钥注入，不打印，不写进任何文件。
- 问作者要省着问。 每天最多 3 条，每条只给一句原文、一句改写、一个是非题；不回就按保守默认处理，流程不等人。
每日召回
定时任务每天跑一轮，完整步骤和命令在 references/daily-loop.md，照着做就行。一轮的骨架：
loop.py start：记下版本指纹，抽裁判体检题、回归题、干净对照，定今天的目标病灶。- 裁判体检：用作者判过的历史样本考裁判，没过就只召回、不出候选。
- 出题：合成改写题（先有事实清单再有稿）、起草题、针对目标病灶的探针，外加作者给的真实材料。
- 现用版改写全部题目；有目标病灶时写候选细则，冻结后用候选版改写验证题。
- 机械检查、打乱匿名、逐份裁判、逐字核对引用。
loop.py decide：召回入池、算指标、建待判断的题、过门禁、预发布或发布，发布后变差自动回滚。loop.py report：生成日报，原样发给作者。
头 14 天是影子运行：流程全跑，只记录「本来会发布什么」，不真发布。影子期结束时，如果裁判体检稳定、抽查漏判不超过一成，自动切到自动发布，日报里会说一声。
相关细则：出题看 references/item-sources.md，判法看 references/judge-protocol.md，写候选看 references/fix-proposal.md，门禁和发布看 references/gates-and-release.md，问作者看 references/disputes.md，问题编码看 references/badcase-taxonomy.md。
作者回话时怎么办
作者可能在任何会话里回一句话，照下表执行，执行完把命令输出原样告诉作者。命令都在本技能目录下跑。定时任务里，作者的回话在开轮前处理（见 references/daily-loop.md 第零步）。
| 作者说 | 执行 |
|---|---|
| 「D12 有」「D12 没有」「D12 跳过」（也认 是/否），可能带一句理由 | python3 scripts/loop.py disputes answer D12 有 --note "理由原话"，一次回好几条就逐条执行 |
| 不针对哪道题的交代，比如「感谢信里的客套别删」「技术名词别换」「slogan 要有气势」 | python3 scripts/loop.py note add "作者原话"，原话照抄，一句一条；作者点了文体就加 --文体 感谢信,寄语 |
| 「N003 不算了」「那条作废」 | python3 scripts/loop.py note drop N003 |
| 丢来一段材料：「这段也改坏了：……」，可能带着他对改写的评价 | 按 references/item-sources.md 当真实材料，今天出题时交，来源写「作者回话 日期」；他对改写的评价写进 作者评价 |
| 「开启自动发布」 | python3 scripts/loop.py mode auto |
| 「保持影子」「先别发布」 | python3 scripts/loop.py mode shadow |
| 「暂停」 | python3 scripts/loop.py mode paused --reason "作者原话" |
| 「回滚」 | python3 scripts/loop.py rollback（回到上一版） |
| 「确认现在这版」 | python3 scripts/loop.py anchor（设为锚点，以后发布都不许比它差） |
| 「接受手工修改」 | python3 scripts/loop.py accept-manual |
| 「召回现在怎么样」 | python3 scripts/loop.py status |
| 「合并一下细则」 | python3 scripts/loop.py export，把生成的合并提案给作者 |
作者的回答原样存进判例库，以后裁判遇到相似的情况会读到；作者说明每份相关的盲评都带着，写候选时也会列出来。作者说的话只改评判标准，不直接改 haohao-shuohua：技能要变，还是得召回攒够、候选过门禁。作者改底线、门槛或数据来源的要求，照做之前先复述一遍确认。
一次性评测
比稿、比工具、给技能做回归，都用同一套裁判协议（references/judge-protocol.md），但不走发布：
- 每份改写逐份判，不放在一起比着判；多份改写先打乱、去掉来源再判。
- 结论按「改坏了 > 没改好 > 合格」排；同是改坏，编造比丢信息重。不给总分，也不把几份改写的分数加减比较。
- 一字不差的两份改写只能判平。
- 结果写清楚每份的问题清单和引用，让人能逐条复核。
数据在哪
技能目录只读，所有运行数据写在数据目录：$HAOHAO_EVAL_HOME，没设就是 $XDG_DATA_HOME/haohao-eval，再没有就是 ~/.local/share/haohao-eval。
config.json 门槛和每天的题量，作者可以改 state.json 模式、现用版本、预发布、锚点、冷却中的病灶 pool.jsonl 召回到的问题，一行一条，带引用和原题快照 disputes.jsonl 待你判断的题和回答 precedents.jsonl 作者的回答，裁判当判例读 notes.jsonl 作者说明：不针对某道题的交代，原话保存 inbox.jsonl 作者回话的执行记录，日报据此列出当天记下了什么 metrics.jsonl 每天的改坏率、残留率、误改率 releases/ 每个版本的细则（v0000 起），预发布是 rc0001 起 runs/<日期>/ 当天的题、改写、检查、盲评队列、裁判答案、决策、日报
细则发布在 $XDG_DATA_HOME/haohao-shuohua/daily-learning.md（没有 XDG_DATA_HOME 就是 ~/.local/share/haohao-shuohua/daily-learning.md），haohao-shuohua 干活前会读它。
每次开新环境、本地文件留不住的平台（比如 Mira 定时任务），用数据包跨天：云空间里放一个固定的数据包文件，开跑先下载它跑 loop.py unpack，收尾 loop.py pack 再覆盖上传回去。包里有清单和校验和；本地比包新时不覆盖，覆盖前把原来的挪走备份。还没存过数据时，那个文件是 loop.py pack --empty 打的空包，unpack 读到它会提示先 init。最近 14 天的运行目录进包，更早的只留汇总（config.json 的 pack.keep_runs_days）。
文件
scripts/loop.py 每日召回的确定性部分：落盘、检查、盲评、核对、门禁、发布、回滚、争议、日报 scripts/test_loop.py loop.py 的端到端测试（python3 scripts/test_loop.py） scripts/scorer.py 残留正则和新数字预筛，给机械检查当提示；统一分只留作历史对照 scripts/build_seed.py 从 50 条历史材料生成判例、回归题和干净对照 data/cases50.json 50 条历史材料（原文、三版改写、作者意见），不许删 data/labels.json 50 条的保真/通顺档，裁判体检用 data/precedents.json 判例：作者意见按工具切开，原话保留 data/regression_seed.json、data/clean_seed.json 回归题和干净对照 scripts/fit_weights.py、scripts/build_labels.py、data/fitted_weights.json 历史工具，不参与每日判断
外部 BadCase 数据源默认关闭。作者明确提供数据源后，在运行目录的 config.json 中填写 sources.badcase_base、sources.badcase_table，再把 sources.read_new_badcases 改为 true。真实材料一天最多 3 条，人工评价跟着题走、当判例；技能包不保存账号、内部链接或平台凭证。
历史评分尺
旧的统一分 保真系数 ×（0.7157 × 通顺分 + 0.2843 × 残留分） 不再用来判断技能有没有变好：原样不改的「改写」平均能拿 94.5 分，高过我们和两个竞品，50 条里有 27 条它排第一。它奖励的是「不动」和「没命中正则」，量不出失真。
保留下来的用处：
scorer.py的残留正则进了机械检查，命中只当提示，裁判复核后才算数。new_number_prescreen进了机械检查，抓改写里新冒出来的数字。- 单段看残留：
echo "一段中文" | python3 scripts/scorer.py；声明名家风格时加--style 鲁迅，只豁免破折号、三连、分号排比这类疑似项，翻译腔、翻案体、半角标点、元话语照扣。风格盖得住中性口味，盖不住硬病红线。 - 权重拟合和 50 条自洽性校准只做历史对照，别为单条 BadCase 改权重。
