wangjs-jacky web-flow-benchmark · 有限评测
评分负责发现问题，不负责制造无限循环；memory 只接收经过根因验证的错误，不接收所有低分。
按需读取
- 只读 rubrics 中当前 stage 的小节；不要加载其他阶段细节。
- 使用 review template记录证据和结论。
- 输入包括 stage、attempt、当前 artifact revision、参考 artifact，以及测试、浏览器或命令证据。
评审文档路径必须是 reviews/<stage>/attempt-<n>/round-<n>--<artifact-id>-r<revision>.md。事实门修复使用同目录的 must-pass recheck 版本路径，不占主观 round 1/2。
独立 memory
若本 Skill 的 memory/index.md 存在，只读取 rubric、硬校验、加权计算和停止规则相关的 1–3 条记忆。benchmark 自身发生且通过三项验证的错误写回自己的 memory/；产物阶段的错误候选必须交回对应阶段 Skill。
独立性
评分必须交给没有参与本阶段生成的独立 AI，或至少使用干净上下文。评测 Agent 不能用生成者的自我说明代替产物证据。
一次评分
- 读取当前 rubric 的 must-pass、维度、权重、阈值和 0/3/5 锚点，并计算 rubric 原始字节 hash。
- 先逐项验证 must-pass，为每项写 passed/failed 和直接 evidence。修复后的
must-pass recheck不占主观评分两轮。 - 任一 must-pass 失败：decision 为 blocked、weighted score 为 null，只指出一个最先要恢复的事实条件。
- 硬校验全过后，对每个主观维度打 0–5 分并给证据；加权均分公式为
sum(score × weight) / sum(weight)，保留两位小数。 - 只选择一个对结果影响最大且当前可改的 top fix。
- 按 review template 写 Markdown，再调用 runtime
review record，绑定 reviewer、独立性、rubric ref/hash、review path/hash、artifact ref/hash、must-pass、分数和 decision。
两轮规则
round 1 达阈值 → pass
round 1 未达阈值 → revise_once，只修 top_fix
round 2 → 停止主观评审循环
达阈值 → pass
未达阈值 → proceed_with_residual，不要求收敛
任意轮 must_pass 失败 → blocked，修复事实条件后重新验证
第二轮后的 residual 要保留，但不能自动写进 memory。
memory candidate
只有发现可能跨次复现的真实错误时才附候选，并分别回答：
actual_error：是否真的发生，而非审美偏好？root_cause_verified：根因是否有代码、测试、命令、数据或用户确认？likely_to_recur：同类任务未来是否可能再发生？
三项同时为 true 才能交回发生错误的阶段 Skill，由该 Skill 在自己的 memory/ 中查重并写入；benchmark 自己不保存其他阶段的 memory。
边界
- 不引入 rubric 之外的“更漂亮”要求；
- 不在一轮同时要求修多个问题；
- 不用高分掩盖链接打不开、产物不存在等事实失败；
- 不以生成者自报结果代替 live artifact、实时 hash、HTTP 或 browser 证据；
- 不保存评测 Agent 的冗长原始推理，只保存分数、证据、决定和候选。