Huanyu-Hibiki /oracle-bump — Rubric / Bucket 升级（按轨道）
两种模式：
| 模式 | 触发 | 做什么 | 验证强度 |
|---|---|---|---|
| 完整 rubric bump | --propose "<新公式>" |
改公式/维度/权重 | 5 步 + 跨模型审核（强制） |
| bucket-only 重校 | --bucket-only |
只重新派生 bucket 边界 | 数据自动派生，无审核 |
完整 bump 严格遵守 bump-validation-protocol.md。按轨道独立：一次操作只 bump 一个轨道。
Overview
入口：/oracle-bump
↓
[Phase A0: 模式分流]
├─ --bucket-only → [Phase B: 轻量重校]
└─ --propose → [Phase 0~8: 完整 bump]
Constants
- READINESS_HEURISTIC — 默认：该轨校准池 ≥5 样本 + ≥1 个跨样本观察有 ≥3 样本支持；Claude 可基于强信号（≥3x 偏差反例 / 单点极强模因）提前，可因证据弱推迟。提议必标注 default-aligned / judgment-driven
- THRESHOLD = 0.8 — 排序一致性阈值（4/5）。写死，统计刚性
- CROSS_MODEL_AUDIT = true — 跨模型独立审核默认开
- REQUIRE_CONFIRM = true — 落地前用户明确 "yes, bump"
完整 rubric bump 流程
Phase 0: 前置门槛检查（按轨道）
| 检查 | 失败处理 |
|---|---|
in_progress_session == null |
拒绝："有 in-progress 预测未完成，先走完或清掉" |
--track <id> 指定（必填） |
漏了 → 询问"升级哪轨？"（列出 content-plan 轨道） |
| 该轨校准池 ≥5（默认）+ 上次 bump 后 ≥1 新样本 | 硬约束：无新样本拒绝；样本少软约束：显式标注后仍走全流程 |
| 诊断前置：「本公式能否解决 retro 暴露的偏差？」 | 答案 no 或混合且核心偏差在 no 侧（如平台分发问题 rubric 修不了）→ 在 Phase 0 直接拒绝进 Phase 1，省掉后面工作量 |
诊断证据先跑收敛工具（确定性重算，不靠记忆）：python tools/score-curve.py <项目根> --track <id> --json → 该轨偏差方向序列（连续高估/低估？）+ 平均绝对偏差 + bucket 命中率。「retro 暴露的偏差」以此数据交叉核对 state 的 consecutive_directional_errors——公式修不了方向性系统偏差以外的命中问题（bucket 命中低但方向随机 → 该跑 --bucket-only 而不是 rubric bump）。
校准池 = state.calibration_samples_by_track[<track>] 登记的该轨样本；cross 样本两轨各计 0.5。一次只 bump 一轨——--propose 跨轨公式 → 拒绝，按轨各算一次。
Phase 0.5: 🔴 影响面摘要（高成本操作前的一步确认）
Phase 0 通过后、写公式前，输出影响面摘要让用户看清成本再继续：
🔴 本次 bump 影响面：
- 将重打：该轨 N 个校准样本（M 篇 prediction 追加 Re-scored 行）
- 将修改：rubric_notes.md 该轨节 + N 个 prediction 文件 + state
- 回滚条件：Phase 3 排序一致性 <0.8（本地终止）或跨模型审核 REJECT
- 不可逆部分：无——所有改动可由 git 回溯，prediction 预测段始终 immutable
确认继续 → 说 "继续"；重新考虑 → 说 "等等"
Phase 1: 写出新公式完整方程
不能只接受简短描述，展开为完整方程（标轨道 + 版本号）：
[track: reach] 当前 v2 composite = (ER×1.5 + SR×1.5 + HP×1.5 + QL + NA + AB + SAT) / 8.5 × 2.0
[track: reach] 提议 v2.1 composite = (ER×2.0 + HP×1.5 + MS×1.5 + QL + SR + TS + SAT) / 9.0 × 2.0
变化总结：
- ER ×1.5 → ×2.0（升）/ SR ×1.5 → ×1.0（降）
- 新增 MS ×1.5、TS ×1.0 / 删除 NA、AB
- 归一化常数 8.5 → 9.0
含糊（"ER 权重提一点"）→ 询问具体数值，禁止自己猜。
Phase 2: 该轨校准池全量重打分
Glob <NNN>_*/predictions/*.md，筛该轨（header Track 匹配）+ 有完整复盘段的文件。每篇：读各维度分 → 新公式重算 composite → 新增维度回追打分（读稿子/复盘证据打 0-5）。
回追诚实要求：看过实绩再回追会被污染（不可避免）→ 重打表明确标 score_post_hoc: true。
解析兼容：维度表格行可能带 markdown 加粗（**ER** vs ER）——解析正则允许 ** 包夹。漏一个样本 = 排序一致性失真。
Phase 3: 计算排序一致性
| 样本 | composite (v2) | composite (v2.1) | rank(new) | 实绩 | rank(actual) | delta |
- 一致性 < 0.8 或 pairwise 回归 → 本地拒绝，走 FAIL 终止协议
- 实绩排序用该轨 success_metrics 的主指标
Phase 3 FAIL 终止协议
FAIL → 直接终止，不进 Phase 4（跨模型审核是兜底 PASS 的，FAIL 拉外部审核浪费 token；阈值本身是元规则不归模型判定）。
终止 ≠ 死胡同，给用户 3 条替代路径：
| 路径 | 何时推荐 |
|---|---|
1. 改跑 --bucket-only |
校准池 ≥4 篇，bucket 边界本身过期（5 分钟，无门槛） |
| 2. 推迟 bump 等样本 | 提升 <20pp 或样本 <5（N<5 时 THRESHOLD 极难达标是统计噪声不是公式错） |
| 3. 记 v2 候选但 v1 保留 | 提升明显（>20pp）但绝对值仍 <0.8 → 候选标 disabled 留作下次起点 |
诊断报告必含：新旧一致率对比 + pairwise 回归数（FAIL 也显式报）+ 失败样本偏差成因（维度没捕获 vs 权重错配——用 score-curve.py --track <id> 的分样本偏差序列定位：偏差集中在特定 bucket / 特定维度缺失时）+「能否解决 retro 暴露的偏差」明确 yes/no。
断点续跑：写 bump_in_progress 状态（phase_completed / termination_reason / 双方公式 / 诊断），下次 session 读它跳过已完成 phase。
Phase 4: 跨模型独立审核（强制，除非 escape hatch）
调用跨模型审核通道（用户配置的第二模型 / MCP 工具），打包：轨道 + 新旧公式 + 重打表 JSON + 排序对照 JSON。要求输出 PASS/REJECT + ≥100 字理由 + 关键风险。
- 本地 PASS + 外部 PASS → Phase 5
- 本地 PASS + 外部 REJECT → 视为 REJECT（冲突 = 至少一方解读不稳定）
- 审核通道不可用 → 优雅降级
CROSS_MODEL_AUDIT=false，state 标last_bump_self_audited: true（status 持续提示）。该降级只在 Phase 3 PASS 后有效
Phase 5: 落地 + cleanup pass
REQUIRE_CONFIRM → 用户 "yes, bump" 后一次性完成：
- rubric_notes.md 该轨节：更新版本号 + 版本速查表 + 完整升级 Memo（触发观察/证据/诊断/新公式/审核结论/已知局限）
- 更新该轨"当前评分维度"段
- cleanup pass（observation-lifecycle.md）：被吸收的观察删 / 被推翻的删 / 未解决的迁"待验证假设" / 已验证规律迁"规律沉淀区"
- 重读全文，60 秒内能理解当下规则
Phase 6: 校准样本批量追加
每个该轨校准样本的 prediction 文件底部追加（不动预测/复盘段）：
---
**Re-scored under v2.1 on 2026-05-04**: composite=8.24 → 9.11
Phase 7: 更新 state
{
"tracks.definitions[<track>].rubric_version": "v2.1",
"last_bump_at": { "<track>": "<ISO>" },
"last_bump_self_audited": false,
"consecutive_directional_errors": { "<track>": [] },
"calibration_samples_at_last_bump": { "<track>": <N> }
}
清空该轨偏差队列——新 rubric 重新计数。
Phase 8: 控制台报告
版本变化 + 校准池重打结果 + 审核结论 + cleanup 摘要 + "下一篇预测起按新公式打分"。
Phase B：bucket-only 重校（轻量分支）
bucket 边界是数据派生量不是规则——重新派生不需要审核（确定性算法无判断成分）。
B1: 选算法（按样本数自动派生，不持久化 scheme）
| 算法 | 默认适用 | 派生方式 |
|---|---|---|
ratio |
N=1-4 | 最近 3 篇实绩中位数 × {0.3/1/3/10/30} |
absolute |
N=5-9 | 校准池中位数 × 同上 |
percentile |
N≥10 | 实绩 percentile {30/60/85/95/100} |
--scheme 显式覆盖（percentile 要求 N≥3）。
B2: 派生新边界
读该轨（或全池，流量轨主指标）所有实绩样本。数据抽取必须确定性：字段名可能漂移（actual_plays / totals.views / actual_total）——写明确的抽取函数兼容多 schema，或先跑校验列出每篇的实绩值让用户确认。启发式 grep 单一字段会把 7 篇样本误判成 1 篇。
B3: 报告变化 + 用户确认
当前 scheme: ratio → proposed: absolute
baseline: 4.2w 中位数（基于 5 篇样本）
新边界：底部 <1.3w / 基础盘 1.3-4.2w / 命中 4.2-12.6w / 爆款 12.6-42w / 现象级 >42w
确认应用？(yes / no)
B4: 落地
- rubric_notes.md bucket 段替换新表 + 顶部追加变更记录行
- state 更新
baseline_plays+ 追加bucket_recalibration_history[]（date/scheme/baseline/sample_count/trigger/old_baseline——status 可显示"上次重校 N 天前"） - 不动任何 prediction 文件——历史 bucket 标签是预测时语义，事后改写破坏盲度
Key Rules
- 5 步不可跳（完整 bump）；"先简化跑一下" → 拒绝
- THRESHOLD 写死；降阈值通过 = 诚实的 self-deception → 拒绝
- 跨模型审核默认开；关闭需 state 显式标记
- cleanup 是 bump 的一部分；"下次再清" → 拒绝
- REQUIRE_CONFIRM 两种模式都要
- bucket 重校不动历史预测
- Phase 3 FAIL = 终止，走终止协议 3 条路径
Refusals
- 「跳过校准池重打，直接换公式」 → 拒绝。原则 #2
- 「跳过外部审核」 → 仅当显式设置
- 「THRESHOLD 调到 3/5 让它过」 → 拒绝。改阈值是元层级 bump
- 「保留所有旧观察作为历史」 → 违反原则 #3
- 「一次 bump 两轨」 → 拒绝。按轨独立，各算一次
Integration
- 上游：oracle-retro 检测该轨 ≥3 同向偏差（或强单点信号）→ 提议
- 修改：rubric_notes.md（该轨节，结构性）+ 该轨所有 prediction 文件（追加 Re-scored 行）+ state
- 下游：下一篇 oracle-predict 自动按该轨新版本打分