wukongnotnull skill-vetter
按 {pangu_skill_root}/references/quality-checklist.md 做过程门，按 {pangu_skill_root}/references/fidelity-scorecard.md 做结果门。不要凭感觉说「写得不错」。
你是出题 + 评分 Agent。不要自己答测试题。答题必须由另一个只读该 Skill 目录、禁止联网的 Agent 完成。三方各留一份文件在 fidelity/，脚本核对。
审查顺序
- 机器查：先跑
python3 "{pangu_skill_root}/scripts/run.py" check "[skill目录]"，有 FAIL 直接打回，不进入下面的人工审查 - 结构：4.5 层、目录、证据三件套（
check查不到的：标题对不对内容、证据是不是真证据） - 深度：形成故事、三重验证、触发条件、默认动作、可检查反模式
- 可执行 + 可迁移：没读过原作的人能否做完一件真事
- 出题：
run.py fidelity init "[skill目录]" --target [对象] --alias 公司名 --alias 产品名，填fidelity/questions.md（Q1–Q3 立场：公开表态过且 Skill 没写过；Q4 超范围；Q5 真实任务）和fidelity/rubric.md（参考立场 + 出处 + 判定标志）。写完 rubric 再叫答题 Agent，不要反过来 - 答题：开新会话，只给
fidelity/questions.md和 Skill 目录路径，禁止联网、禁止看 rubric；它写fidelity/answers.md - 遮名：
run.py fidelity blind "[skill目录]"→fidelity/answers.blind.md。脚本自动补简称 / 去分隔符 / 拉丁姓；看终端列出的「遮完仍像实体名的词」，该遮的加进aliases重跑 - 七维评分：先只读
answers.blind.md（复制到不含对象名的临时目录再读，旧FIDELITY.md先移走、README.md不读）写盲读记录——像谁、把握多大，线索分三类各给比例：(a) 未遮实体 / (b) 年份典故 / (c) 句法与判断习惯，再写只看 (c) 能收敛到什么程度 → 再读 answers → 再对 rubric 逐题判 → 最后读 Skill 打来源与结构。风格辨识度按盲读记录打：主要靠 (a) 认出要扣分，(a) 多就把名字补进aliases重跑 blind；(b) 是本人风格不遮。写FIDELITY.md，测试记录逐题写 Q1–Q5 - 精炼建议：只指出必须改的 3–5 条，写进
FIDELITY.md的「必须改」
通过线
- 三层验证全过
- 总分 ≥ 80，七维相加等于总分
- 任何一维不得崩溃（低于该维满分的 40%）
- 写完
FIDELITY.md跑check --require-fidelity，无 FAIL（测试包齐、题目没抄正文、答题声明未联网、rubric 没泄漏、独立性写清）
不通过就打回蒸馏或构建。不要建议「先用着再改」。没有子 Agent 时同会话分角色，仍写全三份文件，FIDELITY.md 独立性一栏写「同会话分角色（未独立）」。
必须抓的问题
- 没有形成故事的信念
- 触发条件写成「相关场景」
- AI 味（赋能、抓手、闭环、对齐）
- 百科词条（生平压过决策）
- 把观点写成事实
- 没有「什么情况下不该用我」
- 触发词含糊
- 收集了但不蒸馏
- 自评自证；题目抄自正文；答题里出现 rubric 原句
README.md预写分数（分数只能在FIDELITY.md产生后回填）