技能介绍

要解决的问题

AI 给自己的工作打分时，很容易滑向"一切皆是 4 分"。原因不是模型格外宽容，而是单一分数同时背负了两件事：任务本身有多难，以及执行得有多好。一次简单的配置修改和一次高风险的生产环境重构，只要交付都"还行"，就可能拿到同一个分数。久而久之，评分历史失去区分度，4 分不再是信息，而是一种习惯。

工作原理

Self-eval 用两轴模型拆开这个混淆，再用固定矩阵合成最终分数：

任务难度轴（Task Ambition）：评估"尝试了什么"。Low 对应熟悉、无失败风险的常规改动；Medium 对应有新颖性、可能部分失败的工作；High 对应陌生领域、高风险的重构或优化。关键自查：如果开始前就确信能完成，难度就不应该是 High。
执行质量轴（Execution Quality）：评估"做得怎么样"，与任务难度解耦。Poor 是交付未达到自身声明的标准；Adequate 是完成了但留下明显改进空间；Strong 是在给定范围内没有明显未做的改进。
矩阵锁定合成分：最终分数由查找表决定，而不是先挑一个数再找理由。例如低难度配强执行也只能得 2 分——安全的任务做得再完美也只是安全。5 分必须同时满足高难度与强执行，理应罕见。

合成分之前还有一个强制步骤：魔鬼代言人论证。必须分别写出"为什么该打更低"和"为什么该打更高"的理由，再做裁决；如果发现某一轴评错了，重新评级并重算矩阵。论证总长不足三句会被视为没有真正参与。

另一个细节是跨会话防通胀：技能会在工作目录维护 .self-eval-scores.jsonl，追加每次评分。再次评分时会检查最近 5 条，若其中 4 条以上相同，就标记"分数聚集"警告，提示可能锚定在默认值上。

适用边界

这套机制的有效性取决于几个前提。首先，两轴评级本身仍需诚实——如果把"写脚本"都评为 High ambition，矩阵再严谨也救不了失真输入。其次，矩阵是硬约束，模型不能绕过合成结果直接指定分数，这限制了灵活性，但也保证了校准。再者，技能是纯提示词实现，没有外部工具或验证器，防通胀检查依赖本地评分文件的完整性。最后，它衡量的是模型对自身工作的感知，任务描述本身含糊，评级也会跟着含糊。把它当作对抗"4 分惯性"的约束装置，而不是对交付质量的最终裁判，会更接近它的设计意图。