裁剪决策规则集质量评分基准 v1 — workgraph-planning-methodology-trial
生成者：innovator-digest（Phase 2 Digest） 输入：
../hunt/knowhow_v1.md（336行）+../hunt/sources.json+complexity_signals_v1.md日期：2026-08-23 首次训练（v1）
〇、这套 benchmark 评的是什么，与 prd/sdd 两次训练的关键差异
评分对象不是一份具体产出物（PRD/SDD/规划记录），而是"一套裁剪决策规则集"本身——
下一阶段 Evolver 要产出的是一份决策表/决策树：给定一个 task-goal，能确定性地判断
planner.json 五个节点（brd/prd/sdd/benchmark/validator）里哪个该裁、哪个该留、
裁了之后下游 needs 怎么改。本文档定义怎么给"这份决策表/决策树"打分，不是给某一次
具体的规划记录打分。
这个差异带来一个关键约束，prd/sdd 两次训练不需要面对：评分对象在真实世界里
0 正样本（knowhow_v1.md 块C总体发现 #1："全公司当前可查到的5份work graph规划记录
……裁剪发生次数为0"）。所以本 benchmark 不能像 sdd-planning/benchmark_v1.md 那样拿
"真实规则被下游打回"的案例做核心锚点——没有这样的案例。改为：benchmark 本身的判据
必须能脱离"是否命中过真实裁剪案例"这件事而独立成立，靠仓库硬约束（五项校验+数据契约
级联）+ 外部方法论（Cynefin/T-shirt/INVEST-SPIDR/YAGNI）+ Hunt 发现的隐藏规则自行推导，
calibration_cases.md 用假想候选规则集来验证这套判据是否真的有区分度，替代"真实反面
案例自检"这一步。
一、维度设计（5 维度 + 权重，满分 100）
| 维度 | 名称 | 判据来源 | 权重 |
|---|---|---|---|
| D1 | 信号可读性 | complexity_signals_v1.md〇 门槛 + Hunt 汇总"根因" | 15 |
| D2 | 确定性/可复现性（核心锚点） | 任务书要求 + knowhow B1"图的规划质量没有硬校验"原文 | 30 |
| D3 | 约束合规性 | complexity_signals_v1.md 二 + knowhow B2 needs 级联推导 | 20 |
| D4 | 覆盖完整性 | 任务书要求，对照 C4"只讲BRD就交差"的失效模式 | 20 |
| D5 | 矫枉过正平衡 | knowhow §A4 YAGNI 张力 + 块B 五项校验"不因任务简单而放松" | 15 |
D2 单项权重 30，全场最高，且带否决/封顶双重机制——理由：agent.md Step4 现状（见
industry_avg_score.md 真实基线）恰恰是"裁剪授权写得清楚，但完全没有机械可复现的输出
映射"，如果 D2 只是普通加权项，一份文字漂亮、逐节点都有话说、但换个 LLM 跑一遍就换一张图
的规则集，会被 A 组高分稀释成体面总分，重演 prd-methodology-trial（76.4分教训）与
sdd-planning（68分教训）训练时踩过的同一个坑。
二、逐维度评分标准
D1 信号可读性（权重15）
判据锚点：complexity_signals_v1.md〇"每个信号必须满足的硬性门槛"——规则集里每条触发
条件必须能直接从 task-goal 原文机械核对，不能是"任务简单/复杂"这类同义反复。
| 分数 | 判据 |
|---|---|
| 5 | 每条规则的触发条件都指向具体可从文本判定的信号（如复用 S1-S5 或同等清晰度的自定义信号，且给出判定方法），无任何"简单/复杂"类形容词单独作为判据 |
| 4 | 基本满足，但存在 1 处触发条件依赖上下文推断、未显式给出判定方法的模糊表述 |
| 3 | 存在触发条件用"任务复杂/简单"类词，但该规则同时搭配了至少 1 个可读信号，不是唯一依据 |
| 2 | 多条规则以"任务是否简单"作为唯一或主要判据，缺乏可操作的文本判定方法 |
| 1 | 规则集通篇只有"任务简单就裁、复杂就不裁"这类同义反复，或干脆没有给出任何判定方法（只给权限和例句、不给判据），没有任何可从文本机械核对的触发条件 |
否决规则：若规则集全部触发条件都落在 1 分档描述的范畴（无一条可机械核对）→ D1 判 1 分，且触发总分强制封顶 15（见三、3.2）。这条规则不是额外惩罚，是任务书明确要求 的校验点："只会说'任务简单就裁剪'这种同义反复规则的候选应该在'信号可读性'维度被打到 很低分/触发否决"。
D2 确定性/可复现性（权重30，核心锚点）
判据锚点：同一个 task-goal，两次独立跑这套规则集，应该给出同一张图（相同节点集合+相同
的 needs/produces 调整）。这是当前 agent.md"综合 Step1/2/3 三份输入"纯 LLM 直觉判断
的已知缺陷（knowhow B1 引用原文："图的规划质量没有硬校验，五项只保证图结构合法，保证不了
它适合这个任务……完全依赖 LLM 单次判断"）。
判定方法：检查规则集是否把每个信号取值组合映射到唯一确定的输出（节点集合+needs调整 方案），而不是留"视情况而定/建议/可以考虑/综合判断"这类空间给临场发挥。
| 分数 | 判据 |
|---|---|
| 5 | 关键信号组合都有唯一确定的输出（节点集合+needs调整方案），不存在"具体看情况"的留白；对同一 task-goal 重复应用规则会得到逐字相同的图 |
| 4 | ≥90% 的常见信号组合有确定输出，剩余组合虽有留白但对最终图形状影响很小（仅影响节点内部描述用词，不影响节点是否保留） |
| 3 | 存在明确的信号组合缺输出映射（规则集自己承认"这种情况需要人工判断"），但已列出的映射部分是确定的 |
| 2 | 多数信号组合的输出依赖"综合判断/酌情处理"这类模糊指令，重复应用同一任务大概率给出不同的图 |
| 1 | 规则集本质上只是把"靠LLM直觉判断"换了个说法（如"根据任务感觉决定裁不裁"），或干脆没有给出任何信号到输出的映射，只有权限声明和单一例句 |
判据来源：C4 是这条维度要重点防范的失效模式的真实证据——规划记录给出的理由是
"brd/prd/sdd 描述 why/how/what，完全对应骨架语义"（complexity_signals_v1.md S4 校准
段引用），也就是说真实世界里唯一一次可比样本给出的"判断依据"是骨架字面结构匹配，不是
任何可复现的信号评估。一套好的规则集必须能明确说出"如果换成 S4=是 的任务会怎样"，而不是
只会重复骨架自带的字面语义。
D3 约束合规性（权重20）
判据锚点：complexity_signals_v1.md 二·硬约束——裁剪任何一个有 produces 的节点前，
必须检查图内是否有其他节点的 needs 依赖它的产出 kind，否则触发 rule=data-contract
被引擎拒绝（knowhow B2 逐条核实"砍掉 brd 会发生什么"，全文摘录）。
| 分数 | 判据 |
|---|---|
| 5 | 每条裁剪结论都显式给出"若裁掉此节点，下游哪些边的 needs 需要如何调整"的具体方案（改成 required:false 或从 needs 列表移除该 kind），且不会破坏五项校验中任一项 |
| 4 | 多数裁剪结论给出了 needs 调整方案，1 处遗漏但影响范围小（该 kind 本身没有其他消费方） |
| 3 | 至少 1 条裁剪结论完全没有考虑下游 needs 依赖，留给执行者自己发现（等同制造一次真实的 data-contract 拒绝） |
| 2 | 规则集系统性忽视 needs 级联检查，多条裁剪结论会直接触发引擎拒绝 |
| 1 | 规则集甚至没有意识到需要检查五项校验/数据契约，纯粹讨论"要不要这个节点"而不管图结构合法性 |
判据来源：这是 Hunt 调研本身推导出的隐藏规则（不是仓库文档里现成写好的检查表）——
README.md 数据契约规则写了"needs 的每个 kind 在图里都有产出方，否则整张图被拒"，
但 agent.md Step4 的裁剪授权段没有提及这条检查，knowhow_v1.md 文末把它列为
"建议补进 agent.md" 的第一条改进项，是本次训练判据体系里唯一一处"仓库现状本身也有
缺口"的维度，正因如此才把它设计成独立可评分的维度，而不是假设规则集自然会覆盖它。
D4 覆盖完整性（权重20）
判据锚点：任务书原文点名的失效模式——"不能只讲 BRD 一个节点就交差"，planner.json
五节点（brd/prd/sdd/benchmark/validator）必须每个都有明确规则。
| 分数 | 判据 |
|---|---|
| 5 | 五个节点均有清晰规则（哪怕结论是"validator/prd 地基级不可裁，理由是XX"），无遗漏 |
| 4 | 四个节点有明确规则，1 个节点未提及但从上下文可合理外推（如通篇讨论其余四个，隐含 validator 照旧保留） |
| 3 | 只覆盖 2-3 个节点，其余未提及 |
| 2 | 只覆盖 1 个节点（通常是 BRD，重犯 agent.md Step4 例句"只讲BRD"的问题） |
| 1 | 完全没有区分节点，笼统一句"按需裁剪"了事 |
判据来源：agent.md Step4 唯一给出的裁剪例句就是"不需要 BRD，直接从 PRD 起步"
（knowhow B1 引用），如果规则集原样照搬这条例句、不主动扩展到其余四个节点，就是重犯了
现状本身的局限，这条维度存在的目的就是防止训练出来的规则集只是把 agent.md 现有例句
换个措辞重复一遍。
D5 矫枉过正平衡（权重15）
判据锚点：knowhow §A4（YAGNI 与架构规划的张力："你不能靠以后加楼层来盖摩天大楼"）+ 块B 关键约束（"五项校验从不因任务简单而放松，裁剪只发生在节点数量/骨架选型上"）。
| 分数 | 判据 |
|---|---|
| 5 | 规则集同时存在明确的"保留"分支和"裁剪"分支（不是只会说"都可以裁"），且显式声明哪些约束不受任务复杂度影响（如"PRD 永不裁剪，理由是它是 benchmark→validator 边 needs 的直接依赖"、"五项校验与信号无关"） |
| 4 | 有保留分支，但未显式声明地基级约束"不受信号影响"这一条，需要读者自行推断 |
| 3 | 规则集能保留部分节点，但保留的理由含糊（如"看着还是需要"而非信号驱动） |
| 2 | 规则集事实上只会输出"裁"这一种结论方向，不管信号如何组合 |
| 1 | 规则集鼓励无差别裁剪，甚至建议在任务简单时放松五项校验/数据契约这类地基级约束 |
判据来源：这条维度直接对应任务书要求——"规则不能只会裁不会保留，要能通过 YAGNI
张力检验：地基级约束不因任务简单而放松"。knowhow §A4 明确指出 YAGNI 的矫枉过正风险是
"适用于功能与抽象层，不适用于地基级的架构决策"，planner.json 的 prd 节点（是
benchmark→validator 边 needs 链的直接依赖）与五项校验属于这一类地基级对象。
三、总分计算方法
3.1 加权和
加权和 = Σ(维度得分/5 × 维度权重) （满分 100）
3.2 否决与封顶规则
若 D1 = 1 且触发"全部条件都是同义反复/无判定方法"的否决条件 → 总分强制封顶 15
若 D3 ≤ 2 → 总分上限 40（规则集会被引擎直接拒绝，比"每次跑出不同图"更致命——
不可复现好歹图能落地，不合规是直接被 rule=data-contract 拒收）
若 D2 ≤ 2 → 总分上限 45
若 D2 = 3 → 总分上限 65
若 D2 ≥ 4 → D2 不封顶（除非其他维度触发了各自的封顶）
最终得分 = min(加权和, 各已触发的上限)
为什么 D3 的封顶线比 D2 更严格：D2 低分意味着"规则不稳定，重复跑会给出不同的图"—— 这是质量问题，但图仍然是合法的、能落地跑的；D3 低分意味着"规则给出的裁剪结论本身违反 数据契约，引擎会直接拒收"——这是可用性问题，图根本跑不起来。二者都不该被 A 组高分稀释， 但 D3 的失败后果更硬性，封顶线设得更低（40
3.3 判定等级
| 分数区间 | 等级 | 处置建议 |
|---|---|---|
| ≥80 | 优秀 | 可作为 Evolver 训练的正样本模板 |
| 65-79 | 合格 | 可进入 Evolver 训练，标记薄弱维度供关注 |
| 50-64 | 待改进 | 不建议进入 Evolver 训练，需重写薄弱维度后重新评分 |
| 不合格 | 判定为"未构成可执行判据"，需要重写核心维度 |
及格线（passing_score）= 65（合格档下限），见 industry_avg_score.md。
四、对任务书五条要求的逐条落点确认
| 任务书要求 | 落地维度 |
|---|---|
| ①信号可读性（能否直接从task-goal文本判定，不能是同义反复） | D1，含否决规则 |
| ②确定性/可复现性（同一task-goal两次跑规则应给出同一张图） | D2，核心锚点+封顶 |
| ③约束合规性（裁剪后的图是否仍能通过五项校验+数据契约级联检查） | D3，封顶 |
| ④覆盖完整性（planner.json五个节点是否每个都有明确的裁剪/保留规则） | D4 |
| ⑤矫枉过正平衡（规则不能只会裁不会保留，通过YAGNI张力检验） | D5 |
五条要求全部有独立维度落点，没有合并、没有遗漏。