Tw Benchmark

gsd:workflow gsd:meta tw-benchmark tw-benchmark、评分、score、评估 Read, Bash, Glob, Grep, Write manifest 加载完成 评估执行完成 评分报告生成 不修改任何业务代码 评分必须基于可量化的标准 失败时必须生成 feedback.md 指导下一轮修复

gsd:goal产出 score.json。通过 → 结束；未通过 → 产出 feedback.md 触发重试

<gsd:phase name="load" order="1"> gsd:step读取 execute/manifest.json gsd:step读取 plan/PLAN.md 了解预期变更 gsd:step更新 workflow.json: scorer.status = "in_progress" gsd:checkpointmanifest 加载完成

<gsd:phase name="evaluate" order="2"> gsd:step运行测试套件（vitest run） gsd:step运行 TypeScript 类型检查（tsc --noEmit） gsd:step检查 manifest 中声称修改的文件是否确实变更 gsd:step收集每个维度的通过/失败数据 gsd:checkpoint评估执行完成

<gsd:phase name="score" order="3"> gsd:step计算综合分数 gsd:step写入 score/score.json gsd:step如未通过，写入 score/feedback.md gsd:step更新 workflow.json: scorer.status = "completed" gsd:checkpoint评分报告生成

tw-benchmark

评分维度

通过线：总分 ≥ 80 分

评分计算

总分 = (测试通过率 × 0.50) + (类型检查 × 0.20) + (文件覆盖 × 0.15) + (代码质量 × 0.15)

每个维度为 0-100 分：

• 测试：passed / total × 100
• 类型：无错误 = 100, 有错误 = 0
• 文件覆盖：已覆盖文件数 / 计划文件数 × 100
• 代码质量：100 - (issues × 20)，最低 0

执行流程

Phase 1: 加载

1. 读取 execute/manifest.json 获取变更清单
2. 读取 plan/PLAN.md 了解预期变更范围
3. 更新 workflow.json

Phase 2: 评估

1. 测试：运行 npx vitest run --reporter=verbose，收集通过/失败数
2. 类型：运行 npx tsc --noEmit，检查新增错误（忽略预存的）
3. 文件覆盖：git diff --name-only 对比 PLAN 中列出的文件
4. 代码质量：Grep 检查新增代码中的 console.log、空 catch、TODO 等

Phase 3: 评分

score.json 模板：

{
  "taskId": "{slug}",
  "scoredAt": "{ISO-8601}",
  "totalScore": 85,
  "passed": true,
  "dimensions": {
    "tests": { "score": 100, "detail": "12/12 passed" },
    "types": { "score": 100, "detail": "No new errors" },
    "fileCoverage": { "score": 80, "detail": "4/5 files covered" },
    "codeQuality": { "score": 60, "detail": "2 issues found" }
  },
  "retryCount": 0
}

feedback.md 模板（仅未通过时生成）：

# 评分反馈 - 第 {N} 轮

## 未通过原因
{总结主要问题}

## 详细问题
### 测试失败
- {具体失败的测试和原因}

### 类型错误
- {具体的 TS 错误}

### 文件遗漏
- {未覆盖的文件}

### 代码质量
- {具体问题}

## 建议修复方向
1. {具体修复建议}
2. {具体修复建议}

产出文件