---
name: benchmark
description: >
  Benchmark 标准生成 & 评估 Skill。两大职责：
  (1) 根据 knowhow.md 和爬取的数据生成评判标准 (benchmark.md)，包含评分维度、权重和详细 Rubric。
  (2) 针对 Skill 产生的结果，按 benchmark.md 逐维度评分，输出各维度得分、加权总分和改进建议。
  Use when: 需要建立或评估 benchmark 标准，Innovator 的 Digest 步骤和 Evolving 循环的评分步骤。
version: 2.0.0
---

# Benchmark Skill

根据 knowhow + 爬取数据**生成** benchmark 评分标准，并可**评估** Skill 输出的质量。

---

## 模式一：生成 Benchmark 标准

### 输入

- `skillName`: Skill 名称
- `domain`: 领域名称
- `knowhow`: `knowhow.md` 完整内容
- `crawlData`: 爬取的标杆案例内容 (前几个精选)
- `toplist`: `toplist.md` 内容

### 执行流程

1. **分析 knowhow**: 从方法论中提取可量化的质量维度
2. **分析标杆案例**: 从 crawl 数据中识别 elite/average 的差异
3. **补充研究**: 调用 **deep-research** (direction=`benchmark`) 获取评判领域的专业知识
4. **生成 benchmark**: 综合所有信息，生成评分标准

### 输出格式

```markdown
# {Skill Name} — Benchmark v1.0.0
Last updated: {date}
Benchmark version: 1.0.0
Trigger: initial_creation

## Scoring Dimensions

| # | Dimension | Weight | What It Measures |
|---|-----------|--------|------------------|
| 1 | {dim}     | {%}    | {description}    |
...
(5-8 个维度，权重总和 = 100%)

## Detailed Rubric

### Dimension 1: {name} ({weight}%)
| Score Range | Label     | Criteria |
|-------------|-----------|----------|
| 90–100      | Excellent | {具体可观察的标准} |
| 70–89       | Good      | {具体可观察的标准} |
| 50–69       | Acceptable| {具体可观察的标准} |
| 30–49       | Poor      | {具体可观察的标准} |
| 0–29        | Failing   | {具体可观察的标准} |

(每个维度都要有完整的评分标准)

## Scoring Formula
Final Score = Σ (dimension_score × dimension_weight)

## Pass Thresholds
- **pass_score: 90** — **硬性及格线，低于 90 分一律视为未通过**
- industry_avg_score: 65 — 行业平均参考（仅做对比，不作为通过标准）
- elite_avg_score: 85

## Elite vs Average Examples
### Elite 特征
[从 crawl 数据中提取的 elite 案例共性特征]

### Average 特征
[从 crawl 数据中提取的 average 案例共性特征]
```

---

## 模式二：评估 Skill 输出

### 输入

- `skillName`: Skill 名称
- `benchmarkDef`: `benchmark.md` 完整内容（评分维度和标准）
- `taskOutput`: Skill 的实际输出内容
- `testTask`: 测试任务描述

### 执行流程

1. **解析 benchmark**: 提取所有评分维度、权重和标准
2. **逐维度评分**: 对每个维度，对照 Detailed Rubric 评分
3. **计算总分**: Final Score = Σ (dimension_score × dimension_weight)
4. **生成反馈**: 每个维度的具体反馈（优点 + 改进建议）

### 输出格式

严格输出以下 JSON：

```json
{
  "totalScore": 72,
  "passThreshold": 90,
  "passed": false,
  "dimensions": [
    {
      "name": "维度名",
      "weight": 0.20,
      "score": 85,
      "weightedScore": 17.0,
      "label": "Good",
      "feedback": "具体反馈: 做得好的地方 + 改进建议"
    }
  ],
  "overallFeedback": "总体反馈：主要优点和最需要改进的方向",
  "weakDimensions": ["维度2", "维度5"],
  "strongDimensions": ["维度1", "维度3"]
}
```

### 评分规则

| 分数区间 | Label | 含义 |
|----------|-------|------|
| 90-100 | Excellent | 超越行业标杆 |
| 70-89 | Good | 达到专业水准 |
| 50-69 | Acceptable | 基本合格 |
| 30-49 | Poor | 明显不足 |
| 0-29 | Failing | 严重缺陷 |

---

## 关键原则

1. **可量化**: 所有维度必须可测量（如 "每千字至少 2 个伏笔"），不能主观模糊
2. **有区分度**: elite 和 average 在每个维度上有明确差异
3. **基于数据**: 评分标准来自真实标杆案例的分析，不是凭空编造
4. **阈值严格**: `pass_score` 硬性设为 90，industry_avg 仅做参考基准
5. **严格对标**: 评估时必须逐条对照 benchmark 的 Detailed Rubric
6. **可验证**: 反馈要引用输出中的具体内容作为证据
7. **建设性**: weakDimensions 的反馈要给出改进方向
8. **诚实**: 不要因为是自我评估就给高分

---

## 输出协议（系统必须）

你的输出最后**必须**以 `[RESULT: DONE/PASS/FAIL/ERROR]...[/RESULT]` 标记收尾。

**生成模式 - 成功：**
```
[RESULT: DONE]
完成说明：
- 评分维度: N 个
- 权重总和: 100%
[/RESULT]
```

**评估模式 - 通过（得分 >= 90）：**
```
[RESULT: PASS]
评分: {score}/100
优点: xxx
建议改进: xxx
[/RESULT]
```

**评估模式 - 未通过（得分 < 90）：**
```
[RESULT: FAIL]
评分: {score}/100
主要问题:
- 问题1: xxx
改进建议:
- 建议1: xxx
[/RESULT]
```