zts212653 Source Audit
Why This Is a Skill
F218 的事故不是模型凭空幻觉，而是外部不可靠信息源污染：多篇博客互引看起来像"多方验证"，但最终回到同一个营销来源。这个 skill 把"这东西靠谱吗？"绑到引用外部 claim 的动作上，补 WebSearch 和 deep-research 之间的中档。
Trigger
准备把外部 claim 写进回复、research、PPT、ADR、spec 或 review 结论时，命中任一特征就跑：
- 数字 / 百分比 / x 倍增长 / benchmark 排名
- 因果归因（"失败是因为..."）或趋势判断
- 模型能力对比、论文结论、医学/金融/法律等高风险主题
- 来源会进入长期文档，影响后续猫的判断链
不触发：只回答低风险常识；只引用官方文档原文且不外推；已经按 deep-research 跑完整多源调研。
L0 判断力镜头：先换坐标系，再查细节
这两副镜头来自家里的 Magic Words，不是给审计再加一套平行术语，也不能凭感觉代替证据。 它们负责产生可证伪的反事实；一手来源、baseline、干预和 holdout 负责裁决。
第一性原理 / 数学之美
先把论文去品牌化并缩成最小问题：
- 它声称原系统缺少什么能力，而不是缺少哪个作者命名的模块？
strongest_cheap_alternative是什么：强模型直接做、一句静态 prompt、短规则、 deterministic tool、retrieval / cache，还是一次人工配置？- 实验是否在独立证据上击败了这个替代物？
- 如果没有，claim ceiling 降到“自动搜索 / elicitation / 工程集成”，不得写成 “获得新能力 / 证明自进化必要”。
补锅匠 failure-mode audit
看到连续局部机制、多个 fallback 或“再加一个 evaluator / generator / memory”时，不逐块 验完就默认整条路线合理。做一次有边界的同类审计：
- 写出这些补丁共同在代偿的原始 failure mode；
- 区分真实世界约束与论文自己引入的坐标系；
- 问一个更直接的表示、契约或静态策略能否同时删掉多层；
- 对保留的每一层写明“去掉后哪条已观测证据会坏”；
- 若作者只证明每块都能工作、没证明原问题存在或整套不可约，保留 source validity， 但下调 non-triviality 与 decision fit。
禁止把 Magic Word 当作否定论文的结论。“这像补锅匠”只能触发 failure-mode hypothesis；
没有替代方案、ablation 或证据边界，就不能写 reject。
Claim Ledger
先列 claim，再逐条审：
| Claim | Metric / comparator | Strongest cheap alternative / claim ceiling | Inputs / raw outputs / reproduction | Scope / denominator / exclusions | Lifecycle cost / unknowns | 原始来源 | Source verdict | Non-triviality verdict | Decision fit | Provenance |
|---|---|---|---|---|---|---|---|---|---|---|
| ... | ... | ... | paper/config/data/checkpoint + transcript/failure/tail + run status | ... | ... | paper / official / vendor blog / media / forum | ... | ... | ... | ... |
八问 Checklist
这八问是按 claim 取用的 menu，不是逐项补齐的流水线：1/2/6/7 通常适用；3/8 在 claim 依赖方法或测量时使用；4/5 只在 claim 涉及实验、复现、稳定性或模型输出时触发。无对应 artifact 的传闻不要先造一轮实验审计，直接沿来源链和决策边界收敛。
- 一手 or 二手？ 追到原始论文、官方文档、实验报告或数据集。多篇文章互相引用不等于多方验证。
- 利益冲突？ 卖产品/咨询/课程的一方说"这个问题很严重"要扣分，并标明动机。
- 方法可复核吗？ Peer review、博客、营销页都只是来源属性；继续查样本、指标定义、 baseline、实验代码/数据、重复次数和不确定性。Peer-reviewed 不自动等于结论可复现。
- 输入谱系一致吗？ 在二手 thread / 总结之前，先读论文正文、附录、limitations、
data/model card，再核代码、默认 config、released data/checkpoint 与作者汇报配置是否一致。
记录 paper-config / code-config / reproduction-config 的差异；缺失记
unknown，不能从 “没有代码”直接跳到“造假”。经典材料和跨域材料用于生成反事实与比较器，不因资历自动加权。 - 盯过原始输出吗？ Best score、平均 loss 和一条漂亮曲线看不见崩溃率、seed 方差、 分布尾部与“表面成功、实质失败”。若 artifact 可得，抽查 raw transcript/output、失败 run、 per-task/per-seed 结果和异常日志；若不可得，明确 output-level evidence 缺失。指控 run/seed 选择性汇报需要候选 run、选择规则或等价过程证据；comparator / tuning budget 不对等则可由 论文表格与公开 config 的明确差异成立。一次复现失败本身不证明其中任何一种。
- 时效性？ 标清发布时间、测试年份、模型/版本。AI 领域旧模型数据不能直接论证新模型。
- 对象和决策匹配吗？ 区分“这个结果在它测的任务上成立”与“它能支持我们的决定”。 写清目标 workload、用户群、系统版本和未覆盖能力；家里体感只负责触发冲突调查，不能 反过来当作否定外部结果的证据。
- 测量与账本边界清楚吗？（防 true-but-incomplete） 不要求证明一个不存在的“完整
世界账本”，而要重建足以支持当前决定的 scoped ledger：指标定义与 comparator；
分子、分母、排除项和自适应复用次数；系统边界、时间窗和生命周期成本（采集/预处理、
在线调用、cache read/write/miss、维护、人审）；质量、覆盖、延迟、可靠性等联动结果；
测不到的项明确记
unknown。缓存收益必须按目标 provider/model/workload 的真实 usage 与计费规则测量，不能从“改了中间 context”直接推导“全 miss”或固定倍率。
口诀可以保留：一切命运的馈赠都暗中标注价码（operator 原话）。但口诀不是证据；边界、 观测值和 unknown 才是。
性能 / 成本 Claim 的最小执行格式
凡“更准 / 更快 / 更省 / SOTA”都要记录以下字段，但它们不是一张把两轴重新压平的 通过/失败清单：
measured_construct: 它实际测了什么
comparator: 与谁比；版本和配置是否同条件
population_and_denominator: 样本/请求/用户范围、分母、排除项
input_lineage: paper/appendix/limitations + data/config/code/checkpoint；版本与不一致处
output_audit: raw outputs/transcripts + failed/tail cases + per-run/seed stability；不可得项
reproduction_status: not_attempted / exact / partial / failed；环境、命令和偏差
decision_boundary: 我们要据此做什么决定；目标 workload 和时间窗
lifecycle_ledger: ingest/extract + query/retrieval + generation + cache + maintenance/human
coupled_outcomes: quality + coverage/abstention + latency + reliability + risk
unknowns: 未报告或无法复核的项
研究贡献、Benchmark、Eval 或“自进化”claim 还要补：
exact_claim: 去品牌化后到底声称什么
evolving_object: weights / memory / skill / harness / judge / task / problem definition
strongest_cheap_alternative: 足以解释同一结果的最便宜可信方案
evidence_roles: development / selection / holdout / production
failure_mode_map: 各机制在修哪个根因；是否多层修同一个错坐标系
closure_map: task / generator / judge / value owner
claim_ceiling: 当前证据最多允许写到哪里
- Source verdict 的最低证据面：
measured_construct、comparator、population_and_denominator，以及八问中足以复核方法的证据。若 claim 自称“总成本”或 “端到端”，lifecycle_ledger也属于 measured construct 的定义。缺少这些 source-validity 证据时，Source verdict 最高只能use-with-caveat。 - 若 claim 自称“可复现 / 稳定 / robust / 跨 seed SOTA”，
input_lineage、output_audit与reproduction_status也属于 Source verdict 的最低证据面。若论文限定范围内的结果仍可由 正文方法支持，artifact 缺失通常是use-with-caveat，不是自动reject；但不得升级成复现性结论。 - Decision fit 的最低证据面：
decision_boundary、与该决定相关的lifecycle_ledger/coupled_outcomes，以及明确的unknowns。这些字段缺项不降级已成立的 Source verdict， 但 Decision fit 最高只能partial；若连决策边界或目标 workload 都未知，则为none。
Verdict（三轴，不压成一个总分）
Source verdict（claim 在它声称的范围内是否站得住）：
use：方法与来源足以支持限定后的 claim。use-with-caveat：可用但必须附限制，例如二手、旧模型、小样本、账本缺项。reject：追不到证据、方法不支持结论、回声室互引，或 numerator/denominator 不成立。escalate-to-deep-research：claim 重要且证据冲突，单轮审计不够。
Non-triviality verdict（复杂机制是否展示了超出最低充分替代物的增量）：
demonstrated：在合适的独立证据上击败强而可信的廉价替代物。not-compared：只击败 naive / 缺失 baseline，或没有排除 prompt、规则、retrieval 等解释。failed：廉价替代物已经匹配 / 击败该机制，或所谓进化只重新发现了预先可写出的规则。
这根轴不反向污染 Source verdict：论文可以真实、可复现，却没有证明其复杂性或“自进化” claim 的必要性。
Decision fit（它能否支持我们眼前的决定）：
direct：对象、workload、约束和效用维度匹配。partial：只覆盖决策向量的一部分；明确哪部分可迁移、哪部分未知。none：claim 可能为真，但与当前决定正交或关键边界不匹配。
Provenance
聊天短行：
[一手/二手 | 来源类型 | 数据年份 | 适用对象 | 置信度]
docs/research / ADR / PPT 用 claim ledger 表。若 claim 被拒绝，也记录拒绝原因，防止后续重复捡回。
Common Mistakes
| 错误 | 后果 | 修复 |
|---|---|---|
| 把搜索结果当证据 | 被 SEO / 营销文带跑 | 搜索结果只算候选线索，必须追一手 |
| 多篇博客互引就说"多方验证" | 回声室污染 | 画引用链，找到共同源头 |
| 先读 thread / summary 再读原文 | 二手 framing 先入为主，后续只在原文里找佐证 | primary-first：正文→附录/limitations→artifact→二手评论 |
| 只看 best score / loss，不看原始输出 | 崩溃 run、尾部失败和表面合规被平均数埋掉 | 抽 raw output/transcript、失败样本、per-seed 分布；不可得则降 claim ceiling |
| 把 paper config 当作 released code config | 复现实验在不同输入上跑，却误判方法真假 | 建 paper/code/reproduction 三向 config diff |
| 用旧模型数据论证新模型 | 对象错配 | 标测试模型/年份，只谈适用范围 |
| 只写 caveat 不改结论 | 弱证据仍污染判断 | verdict 决定表述强度；弱证据不能撑强结论 |
| 把公开 benchmark 分数当产品总效用 | 测量构念被偷换 | 先写 measured construct，再单独判 decision fit |
| 逐组件核验复杂 pipeline，却不问原能力缺口是否存在 | 每块都真实，整项贡献仍可能是补锅 | 触发补锅匠 failure-mode audit，找共同根因与可删层 |
| 只与 naive baseline 比就声称“进化获得能力” | 把自动发现 / elicitation 抬成新能力 | 过第一性原理 / 数学之美，补 strongest cheap alternative 与 claim ceiling |
| 把 Magic Word 当负面 verdict | 用家里审美代替外部证据 | Magic Word 只生成反事实；由 baseline、ablation、holdout 裁决 |
| 宣称“完整账本”却不写边界和 unknown | 用完整感掩盖选择性记账 | 固定 workload / 时间窗 / 生命周期，未知项显式保留 |
| 把联动风险写成必然因果 | 用一个营销故事替换另一个 | 记录待测机制；用 provider usage / billing / A-B 数据验证 |
| 每个低风险事实都跑全表 | friction 过高 | 只对高风险 claim 跑 ledger |
Pressure Test
MemU 65% 事件：输入多篇互引博客声称"65% 企业 AI 失败归因 harness 缺陷"。合格输出必须追到营销博客源头，识别商业利益冲突，不能把互引当独立验证，verdict 至少是 use-with-caveat，若没有一手证据则 reject。
True-but-incomplete 事件：供应商声称“recall 输入从 10k 降到 2k，节约 80% token”。
合格输出可以接受“该次 recall payload 降 80%”，但不得升级成“系统总成本降 80%”；必须
补 extraction/ingest、query、generation、cache write/read/miss、质量/覆盖和人工维护，
缺数据记 unknown，再给独立的 decision-fit verdict。
自进化沟通策略事件：论文用 rollout / reflection 找到“模糊问题用文本、结构化字段用 UI”，
但没有在 untouched holdout 上击败一句强静态规则。合格输出可以给限定后的 Source verdict
use，但 Non-triviality verdict 必须是 not-compared，且不得把“搜索环能找到策略”升级成
“只有自进化才能获得该能力”。
复现投诉事件：二手帖子声称“约 30 篇 Agentic RL 工作中多数无代码；某 PPO 改进按公开
配置复现比论文低 20 多点，且 baseline 反而更高”。合格输出不能把帖子直接写成赛道造假证据，
也不能用“调学习率”敷衍。必须定位到具体 paper/repo/SHA，建立 paper/code/reproduction config
diff，核数据与 checkpoint 可得性；训练/RL 复现默认 not_attempted，只有取得成本与授权边界后
才跑多 seed、检查 raw curve、崩溃 run、逐任务输出和选择规则。无法取得授权或实物时，分别把
“该次复现失败”和“作者结果不可信”的 claim ceiling 写清。
Related Skills
deep-research：重调研管道。source-audit 发现重要 claim 证据冲突时升级过去。memory-search-best-practices：查家里历史来源图谱时使用；source-audit 只管外部 claim 的信源卫生。