muse-agent-example/docs/plans/2026-08-22-阶段F-第三部分-评测链派发-评委智能体.md

阶段 F 第三部分：评测链派发——评委智能体

日期：2026-08-23 状态：已完成（离线绿 + 真实盲评通过） 上游事实：第 3 章候选 164 已采纳入正典；候选 123（v7，被机械门拒）与 164（v9，采纳）构成真实对比盲评样本。

1. 意图

评委智能体接入框架派发，保持圈定授权隔离；盲评编排（输入防泄漏校验、草稿逐字引文校验、有界纠错、报告哈希绑定）全部复用既有可信适配层，派发桥只实现 ModelRunner 协议。

2. 设计

编排侧：取两个候选 → 匿名化（盲 ID 洗牌，映射只留编排侧工件）
  → 组装盲评输入（blind-judge v4：哈希全绑定，组装即过官方校验器）
        ↓
派发评委（每位评委独立新会话；任务输入 = 盲评模型输入本体，桥不附加身份）
  圈定授权：实验场景无工具；生产预检开放 read_chapter_text/search_entities
        ↓
编排侧：草稿逐字引文校验（防编造）→ 有界纠错一轮 → 报告绑定回执哈希
        ↓
落库：example_quality_result（judge_kind=scoring）

关键取舍：

• 接入点是 ModelRunner 协议（run_writer_blind_judge(blind_input, model_runner=...)）：派发不触碰盲评合同本身。
• 隔离三层机械强制：输入侧防泄漏走查（官方校验器）、任务包与模型输入全等（桥不附加身份）、评委会话互相独立。
• 引文纪律是提示词层问题（模型可被说服）：任务提示词给出 evidenceRefs 的四种 sourceType 与精确 ID 空间（逐字选用，禁拼接描述词）。
• 报告落库枚举以库级 CHECK 约束为准（scoring），不自造未登记枚举。

3. 改动台账

文件	动作	原因
.agent/skills/score-content-quality/scripts/dispatch_judge_bridge.py	新增	圈定授权白名单 + DispatchJudgeRunner（ModelRunner 协议）
.agent/skills/score-content-quality/scripts/judge_via_dispatch.py	新增	生产预检盲评入口：候选匿名化、盲评输入组装、报告落库
tests/skills/score-content-quality/test_dispatch_judge_bridge.py	新增	离线测试（10 项）：圈定白名单、任务包零身份、会话独立、失败关闭、盲评输入官方校验器回环

4. 验证结果

• 离线测试 10/10 通过。
• 真实盲评（候选 123 vs 164，battle 场景，opus-5）：
  • 前两轮草稿因引文格式被机械校验拒绝（evidenceRefs 的 sourceId 拼接描述词）——失败关闭与有界纠错按合同工作；任务提示词补全引用合同（四种 sourceType 与精确 ID 空间）后第三轮通过。
  • 第三轮报告（run-blind-judge-w12-c3-20260823T155855，judge_kind=scoring）：候选 164 在 5 维中 4 维领先（设定保真/细纲保真/文风一致/叙事张力），候选 123 仅正文可读性领先 0.5 分——与人采纳 164 的决定方向一致（独立证据）。
  • 落库枚举错误（误用 blind_judge，库级 CHECK 只许 detection/scoring/review/experiment）当场被约束拦下——按 scoring 补落库并如实收口运行。

5. 未决

• 评委圈定授权的"禁看清单越权拒绝"专项测试（总 plan 验证项）留待对照实验阶段一起做。
• 直调链终态裁决（对照实验数据）与退役项删除按总 plan 阶段 F 收尾。