Score
« Ne devinez pas. Scorez. »
Cadre de scoring par dimensions pondérées pour agents IA.
Comment l'utiliser
Comprendre d'abord, scorer ensuite. Posez suffisamment de questions avant de définir les dimensions. Mauvaises dimensions → mauvais scores, quelle que soit la précision.
Brouillonner puis itérer. Quand les besoins ne sont pas pleinement clairs, faites un standard au meilleur effort, scorez, et montrez les résultats. Les utilisateurs réagissent à des classements concrets — « ce facteur devrait être plus haut », « vous avez oublié X ». C'est le signal. Affinez et re-scorez. Une itération vaut dix tours de devinette.
L'agent est l'analyste. Après le compute, lisez le TSV. Expliquez pourquoi X a battu Y. Mettez en avant les surprises. Suggérez des ajustements. Le classement ouvre la conversation, il ne la clôt pas.
Flux principal
① Comprendre les besoins → ② Définir score.yml → ③ Scorer score.tsv → ④ x score compute → ⑤ Rapporter et itérer
Sortie : target, total, rank, block, reason, <dim> (X%), evidence. Total 0–100, trié décroissant. rank=1 meilleur.
Exemple — aider un utilisateur à choisir des slogans promotionnels
- Discutez avec l'utilisateur pour définir les dimensions et critères d'évaluation. Écrivez
slogan.score.yml.
- L'IA score chaque slogan par dimension (0–10, avec preuve) →
slogan.score.tsv. Laissez total et rank vides.
x score compute slogan.score.yml slogan.score.tsv → remplit total + rank.
- Lisez les résultats, discutez avec l'utilisateur. Ajustez les scores ou ajoutez des candidats, répétez.
- Ou :
x score iter -f slogan.score.yml slogan.score.tsv "<feedback>"
Plus d'exemples : EXAMPLE.md.
Modèle à deux fichiers
*.score.yml — standard réutilisable : dimensions, facteurs, descriptions
**.score.tsv — cibles + scores + preuves ; colonne 1 = nom de la cible
x score compute <yml> <tsv> équivaut à python compute.py.
Scénarios d'application
- Donne aux agents un workflow de décision. score.yml ancre l'agent à un processus structuré — l'agent suit le standard, pas l'humeur du dernier message.
- Les décisions sont basées sur des règles. Dimensions × facteurs × preuves → total pondéré → rang. Chaque score est ancré sur des faits. Le raisonnement est transparent.
- S'accorde à différents besoins. Échangez les dimensions, ajustez les facteurs, ajoutez des filtres durs (colonne
block). Même modèle, utilisateurs différents.
- Évolue à mesure que les besoins se clarifient. Brouillon → score → feedback → affinage → plus net.
- Fichier standard + résultats archivés pour n'importe quel skill. score.yml = standard de décision. score.tsv = enregistrement de décision. Les deux archivables, révisables, partageables.
Formule
total = Σ(factor × score) ÷ Σ(factor) × 10 → 0–100
- factor — entier 1–10. Base = 2. 1=mineur, 4=2×, 6=3×, 8=4×, 10=5×. Auto-normalisé.
- score — 0–10 par dimension, ancré sur des preuves.
- total — total pondéré 0–100.
Les en-têtes de dimension affichent le poids % :
factor ÷ Σ(factor) × 100.
Colonnes de sortie
| Colonne |
Source |
Description |
target |
entrée |
Nom du candidat |
total |
calculé |
Score pondéré (0–100) |
rank |
calculé |
1 = meilleur. X si bloqué |
block |
entrée |
Filtre dur — non vide = disqualifié, envoyé en bas, rank=X |
reason |
entrée/sortie |
Optionnel : notes de l'IA sur les nuances du score |
<dim> (X%) |
calculé |
Scores par dimension, en-tête montre le poids % |
evidence |
entrée |
Faits justifiant chaque score |
Échelle
- 9–10 — Excellent — satisfait pleinement les critères
- 7–8 — Bon — satisfait les critères, écart mineur
- 5–6 — Adéquat — bonne direction, manque notable
- 3–4 — Faible — écart significatif
- 1–2 — Échec — à peine adressé
- 0 — N/A — non applicable
Règles
- Ancrage par preuve — chaque score DOIT avoir une preuve. Des faits, pas des impressions.
- Utilisez toute la plage — 5 est le milieu, pas la valeur par défaut. 0 et 10 sont rares mais possibles.
- Les facteurs sont des amplificateurs relatifs — facteur 2 = influence 2× du facteur 1. Auto-normalisé.
- Cibles uniques et non vides — colonne 1, chaque ligne doit avoir un nom de cible. Pas de doublons, pas de blancs.
- L'agent lit, rapporte, décide — après le compute, expliquez les résultats. Re-scorez ou re-pondérez au besoin.
Fichiers
SKILL.cn.md — version chinoise
compute.py — Valide + calcule total + rang
template/*.score.yml — 35+ modèles. x score ls liste, x score init -t <name> copie
EXAMPLE.md — plus d'exemples d'usage
rule-vs-score.md — quand utiliser rule vs score
score-template-writer.md — comment écrire des modèles de scoring
Related
- rule — compagnon de conformité
- naming — les noms candidats sont scorés ici
1---2name: score-83description: |4 Cadre de scoring par dimensions pondérées pour agents IA — « Ne devinez pas. Scorez. » Idée centrale : comprendre les besoins d'abord, brouillonner puis itérer, l'agent est l'analyste. Sortie en TSV classé via `x score compute`.5metadata:6 source: https://skillmd.com/skills/x-cmd/score-87 related: "rule,naming"8---91011# Score12« Ne devinez pas. Scorez. »13Cadre de scoring par dimensions pondérées pour agents IA.14## Comment l'utiliser15**Comprendre d'abord, scorer ensuite.** Posez suffisamment de questions avant de définir les dimensions. Mauvaises dimensions → mauvais scores, quelle que soit la précision.16**Brouillonner puis itérer.** Quand les besoins ne sont pas pleinement clairs, faites un standard au meilleur effort, scorez, et montrez les résultats. Les utilisateurs réagissent à des classements concrets — « ce facteur devrait être plus haut », « vous avez oublié X ». C'est le signal. Affinez et re-scorez. Une itération vaut dix tours de devinette.17**L'agent est l'analyste.** Après le compute, lisez le TSV. Expliquez pourquoi X a battu Y. Mettez en avant les surprises. Suggérez des ajustements. Le classement ouvre la conversation, il ne la clôt pas.18## Flux principal19```20① Comprendre les besoins → ② Définir score.yml → ③ Scorer score.tsv → ④ x score compute → ⑤ Rapporter et itérer21```22Sortie : `target, total, rank, block, reason, <dim> (X%), evidence`. Total 0–100, trié décroissant. rank=1 meilleur.23## Exemple — aider un utilisateur à choisir des slogans promotionnels241. Discutez avec l'utilisateur pour définir les dimensions et critères d'évaluation. Écrivez `slogan.score.yml`.252. L'IA score chaque slogan par dimension (0–10, avec preuve) → `slogan.score.tsv`. Laissez total et rank vides.263. `x score compute slogan.score.yml slogan.score.tsv` → remplit total + rank.274. Lisez les résultats, discutez avec l'utilisateur. Ajustez les scores ou ajoutez des candidats, répétez.285. Ou : `x score iter -f slogan.score.yml slogan.score.tsv "<feedback>"`29Plus d'exemples : [EXAMPLE.md](EXAMPLE.md).30## Modèle à deux fichiers31- `*.score.yml` — standard réutilisable : dimensions, facteurs, descriptions32- `**.score.tsv` — cibles + scores + preuves ; colonne 1 = nom de la cible33`x score compute <yml> <tsv>` équivaut à `python compute.py`.34## Scénarios d'application351. **Donne aux agents un workflow de décision.** score.yml ancre l'agent à un processus structuré — l'agent suit le standard, pas l'humeur du dernier message.362. **Les décisions sont basées sur des règles.** Dimensions × facteurs × preuves → total pondéré → rang. Chaque score est ancré sur des faits. Le raisonnement est transparent.373. **S'accorde à différents besoins.** Échangez les dimensions, ajustez les facteurs, ajoutez des filtres durs (colonne `block`). Même modèle, utilisateurs différents.384. **Évolue à mesure que les besoins se clarifient.** Brouillon → score → feedback → affinage → plus net.395. **Fichier standard + résultats archivés pour n'importe quel skill.** score.yml = standard de décision. score.tsv = enregistrement de décision. Les deux archivables, révisables, partageables.40---41## Formule42```43total = Σ(factor × score) ÷ Σ(factor) × 10 → 0–10044```45- **factor** — entier 1–10. Base = 2. 1=mineur, 4=2×, 6=3×, 8=4×, 10=5×. Auto-normalisé.46- **score** — 0–10 par dimension, ancré sur des preuves.47- **total** — total pondéré 0–100.48Les en-têtes de dimension affichent le poids % : `factor ÷ Σ(factor) × 100`.49## Colonnes de sortie50| Colonne | Source | Description |51|---------|--------|-------------|52| `target` | entrée | Nom du candidat |53| `total` | calculé | Score pondéré (0–100) |54| `rank` | calculé | 1 = meilleur. `X` si bloqué |55| `block` | entrée | Filtre dur — non vide = disqualifié, envoyé en bas, rank=X |56| `reason` | entrée/sortie | Optionnel : notes de l'IA sur les nuances du score |57| `<dim> (X%)` | calculé | Scores par dimension, en-tête montre le poids % |58| `evidence` | entrée | Faits justifiant chaque score |59## Échelle60- 9–10 — Excellent — satisfait pleinement les critères61- 7–8 — Bon — satisfait les critères, écart mineur62- 5–6 — Adéquat — bonne direction, manque notable63- 3–4 — Faible — écart significatif64- 1–2 — Échec — à peine adressé65- 0 — N/A — non applicable66## Règles671. **Ancrage par preuve** — chaque score DOIT avoir une preuve. Des faits, pas des impressions.682. **Utilisez toute la plage** — 5 est le milieu, pas la valeur par défaut. 0 et 10 sont rares mais possibles.693. **Les facteurs sont des amplificateurs relatifs** — facteur 2 = influence 2× du facteur 1. Auto-normalisé.704. **Cibles uniques et non vides** — colonne 1, chaque ligne doit avoir un nom de cible. Pas de doublons, pas de blancs.715. **L'agent lit, rapporte, décide** — après le compute, expliquez les résultats. Re-scorez ou re-pondérez au besoin.72## Fichiers73- `SKILL.cn.md` — version chinoise74- `compute.py` — Valide + calcule total + rang75- `template/*.score.yml` — 35+ modèles. `x score ls` liste, `x score init -t <name>` copie76- `EXAMPLE.md` — plus d'exemples d'usage77- `rule-vs-score.md` — quand utiliser rule vs score78- `score-template-writer.md` — comment écrire des modèles de scoring7980## Related8182- [rule](../rule/SKILL.md) — compagnon de conformité83- [naming](../naming/SKILL.md) — les noms candidats sont scorés ici