校准样本 v1 — workgraph-planning-methodology-trial
生成者：innovator-digest（Phase 2 Digest） 目的：用
benchmark_v1.md给两个假想的"候选裁剪规则集"打分，验证这套 benchmark 本身是否真的有区分度（不是自说自话）。两个候选均为构造样本，非真实案例——因为 评分对象是"规则本身"，而仓库里目前没有任何一份真实存在的裁剪规则集可供直接打分 （knowhow 块C：0 正样本）。 日期：2026-08-23
候选 (a)：同义反复型规则集（预期低分/触发否决）
候选原文（构造样本，模拟一份"看起来在做判断，实际没有可操作判据"的规则集）：
「裁剪规则：如果这个任务比较简单，就把 BRD 节点裁掉，直接从 PRD 起步；如果任务比较 复杂，就把五个节点都保留。」
逐维度打分
D1 信号可读性 = 1
唯一的触发条件是"任务比较简单/复杂"，没有给出任何从 task-goal 原文可机械核对的判定
方法——"简单"和"复杂"本身就是待判断的结论，不是可读信号，是 benchmark_v1.md D1
1分档"通篇只有同义反复"的典型样板。触发否决规则。
D2 确定性/可复现性 = 1 "比较简单/复杂"这个判断本身不可复现——两次面对同一个 task-goal，不同评估者（甚至同一个 LLM 的不同 rollout）完全可能对"算不算简单"给出不同结论，规则集没有提供任何锚定判断的 机械依据。命中 1 分档"根据任务感觉决定裁不裁"。
D3 约束合规性 = 1
完全没有提及裁掉 BRD 之后 benchmark→validator 边的 needs:["brd","prd","sdd"] 要
怎么调整——如果真的照这条规则执行，会直接在真实场景里制造一次 rule=data-contract
拒绝（complexity_signals_v1.md 二·2 描述的确切失败模式）。
D4 覆盖完整性 = 2
只讨论了 BRD 一个节点的裁剪，prd/sdd/benchmark/validator 四个节点完全没有单独规则
（"复杂就都保留"是笼统带过，不构成"每个节点有明确规则"）。命中 2 分档"只覆盖 1 个节点
（通常是BRD）"。
D5 矫枉过正平衡 = 3 名义上同时存在"裁"和"留"两个分支，没有变成"只会裁"的单向规则；但保留的理由同样是 "任务复杂"这个不可操作的判断，不是信号驱动，也没有声明任何地基级约束"不受任务复杂度 影响"。命中 3 分档"保留的理由含糊"。
计算
加权和 = 1/5×15 + 1/5×30 + 1/5×20 + 2/5×20 + 3/5×15
= 3 + 6 + 4 + 8 + 9
= 30
D1=1 触发否决 → 总分封顶 15
D3=1(≤2) → 总分上限 40
D2=1(≤2) → 总分上限 45
最终得分 = min(30, 15, 40, 45) = 15
15 分，"不合格"档，接近垫底——符合任务书预期："应该在'信号可读性'维度被打到很低分/ 触发否决"。
候选 (b)：信号驱动型规则集，直接套用在 C4 上（预期高分）
候选原文（构造样本，复用 complexity_signals_v1.md 定义的 S1-S5 信号）：
「1. 若
S3=是（涉及数据持久化/多模块），无论其他信号如何组合，一律保留全部 5 个 节点——地基级约束不因任务复杂度降低而放松。
- 若
S5=是（有可直接复用的成熟先例），且先例任务在 S1-S4 上与本次任务取值一致， 直接复用先例的节点集合，跳过后续规则。- 否则，若同时满足
S4=否（无多决策干系人）且S2=是（task-goal 已含可直接使用 的验收清单/数值）且S1=1（单一交付物），裁剪brd节点，把"why"内容并入prd文档的前言段；同步把benchmark→validator边的needs从["brd","prd","sdd"]改为[{"kind":"brd","required":false},"prd","sdd"]（brd 变为可选输入，不阻断 该边）。若后续 remediation 发现 prd 前言段对干系人沟通不充分，允许下一轮重新引入 独立 brd 节点。prd节点在任何信号组合下都不裁剪——它是sdd/benchmark两条边needs的 直接依赖，裁掉会导致下游全部找不到产出方。sdd/benchmark/validator三个节点默认保留；仅当S1=1且S3=否且 该交付物不涉及任何跨模块技术整合决策时，sdd的产出可以并入prd的实现要点段， 但节点本身在图上仍然存在（避免破坏 needs 链），只是内容变薄，不属于"裁剪"，不在 本规则集讨论范围内。」
应用到 C4（p-v1mpcl / T-mt1qx0c4-95bf）：任务原文"读 lemonboss 仓库文档+代码，
产出 apple.com 风格的静态官网……含核心价值点、功能模块、独特性说明，至少 3-4 张界面
截图"。按 complexity_signals_v1.md 逐条判定：S1=1（单一网站）、S2=是（"至少
3-4张截图"是具体数值清单）、S3=否（无持久化/多模块字样）、S4=否（无第二方说服
对象）、S5=否（未提及历史参照）。代入候选规则第 3 条：S4=否 且 S2=是 且 S1=1 全部
满足 → 确定结论：裁剪 brd 节点，why 并入 prd 前言，needs 里的 brd 改 required:false。
逐维度打分
D1 信号可读性 = 5
全部触发条件都是 complexity_signals_v1.md 定义好的、有明确文本判定方法的信号
（S1-S5），没有任何"简单/复杂"类形容词单独作为判据。
D2 确定性/可复现性 = 4
对"S4=否+S2=是+S1=1"这一具体组合（覆盖 C4）给出了唯一确定的输出（裁 brd + 具体 needs
改法），S3=是分支、S5=是分支也都是确定输出，不存在"综合判断"这类留白。扣 1 分：
规则集没有穷举所有 25 种信号组合（例如 S3=否 且 S5=否 且 S4=是 这种组合缺显式规则，
只能靠"默认保留"这条兜底句推断），不是 100% 组合都有显式映射，未达 5 分档"不存在
'具体看情况'的留白"的严格要求，但已覆盖的组合本身确定，故命中 4 分档。
D3 约束合规性 = 5
裁剪 brd 时明确给出 needs 调整方案（required:false），且第 4 条单独声明 prd 不可
裁的理由直接对应 needs 链依赖关系，第 1 条对 S3=是 场景显式保留全部节点、不触碰
数据契约。三条硬约束（needs级联/prd不可裁/五项校验隐含不受影响）都有显式处理。
D4 覆盖完整性 = 4
五个节点里，brd（条件裁剪）、prd（永不裁剪+理由）、sdd（有专门第5条说明何时
"变薄但不裁"）都有明确规则；benchmark/validator 只在"默认保留"和 S3=是 分支里
被提及，没有像 brd/prd/sdd 那样单独展开专属规则，命中 4 分档"1 个节点未提及但
可从上下文合理外推"（此处严格说是 2 个节点外推，取相邻较保守档位 4 而非满分）。
D5 矫枉过正平衡 = 5
同时存在明确的裁剪分支（第3条）和保留分支（第1/4/5条），且显式声明"地基级约束不因
任务复杂度降低而放松"（第1条原句）、给出 prd 不可裁的具体理由（第4条），并为裁剪
结论保留了"remediation 可回退"的安全阀（第3条末句），不是无差别裁剪。
计算
加权和 = 5/5×15 + 4/5×30 + 5/5×20 + 4/5×20 + 5/5×15
= 15 + 24 + 20 + 16 + 15
= 90
D1=5，未触发否决
D2=4，未触发封顶（D2≥4不封顶）
D3=5，未触发封顶（D3>2）
最终得分 = 90
90 分，"优秀"档，超过 industry_avg_score.md 目标线（80）。
结论：benchmark 区分度校验通过
两个候选的评分差距 90 - 15 = 75 分，且落在完全不同的判定等级（"优秀" vs "不合格"，
中间跨越了"合格"与"待改进"两档）——证明这套 benchmark_v1.md 不是对所有候选给出趋同
分数的摆设：
- 候选 (a) 证明了"看起来在做条件判断、实际是同义反复"的规则集会被 D1 否决规则和 D2/D3 的低分共同摁到 15 分，不会被 D5 的"名义上有裁有留"稀释成体面分数；
- 候选 (b) 证明了一份真正信号驱动、能对 Hunt 唯一真实可比样本（C4）给出确定结论、 且显式处理 needs 级联和地基级约束的规则集，能够拿到"优秀"档，即便它没有穷举全部 信号组合（D2 因此只拿 4 分而非满分，D4 因未逐一展开 benchmark/validator 也只拿 4 分）——说明这套 benchmark 对"接近满分但仍有具体可指出的缺口"的候选也有区分度， 不是只能区分"很好"和"很差"两个极端。