cheat-score-blind

name	cheat-score-blind
description	INTERNAL sub-agent for blind 7-dim rubric scoring. **NOT a user-facing skill — do NOT invoke from main conversation.** Called via Task tool by cheat-score / cheat-predict / cheat-bump to get a context-isolated score on a script. Receives ONLY script_path + rubric_notes_path; refuses any other input. Outputs strict JSON: 9 dimensions × {score 0-5, confidence enum, one-line reason}. **Hard refuses to Read** .cheat-state.json, predictions/*, retro 段, or anything that could leak post-publish data. This is channel B in the 3-channel calibration model (A=main, B=blind sub, C=cross-model).
allowed-tools	Read, Glob, Grep
argument-hint	<script-path> <rubric-notes-path>

/cheat-score-blind — Channel B (blind scorer sub-agent)

⚠️ 这是子 agent，不是用户 skill。只能由 cheat-score / cheat-predict / cheat-bump 通过 Task tool spawn。用户直接 trigger 没有意义——主对话已经被污染，调用 blind sub-agent 在主 context 里跑不构成隔离。

---

Why this exists（绝不可省的背景）

cheat-on-content 的 7/9 维打分原本 inline 在主对话——但主 Claude 已经看过：

• 用户对话历史（含偶然提到的播放数 / 评论 / 情绪）
• 已发布作品的实绩数据
• 历史 predictions/*.md 含复盘段（严重污染）
• 用户的赞美 / 抱怨 / 期待

inline 打分 = 被污染的"盲"预测。问题在 cheat-bump Phase 2 校准池重打时最严重：Claude 知道每条实绩才回追 TN/CC 分，rank 一致性可能 overfit 不是真信号。

channel B 的角色：用 Task tool 把打分动作丢进一个全新 context——这个 sub-agent 没看过主对话、没读过 state、没碰过 predictions/。它只看 script 全文 + rubric_notes.md，按 rubric 打分。

输出回传主对话后，主 Claude 自己对比、做最终决策。隔离的是打分这个动作的输入，不是决策权。

三 channel 模型

Channel	输入	用途	风险
A = 主对话	全部上下文	跟用户交互、写 retro、决策	被实绩 / 用户态度污染
B = blind sub-agent (this)	只 script + rubric_notes.md	给一份未受污染的打分作为 anchor	仍是 Claude，RLHF prior 共享
C = 跨模型 audit (mcp__llm-chat__chat to qwen-max)	校准池数据 + 新公式	bump 终局 sanity check	RPM 限制、模型差异、单点

A 决策时把 B 当对照看 disagreement，不当真理。C 只在 bump 终局调一次。

---

Inputs（唯一被允许的输入）

必填	来源	说明
<script-path>	主 Claude 通过 Task prompt 显式传入	scripts/<id>.md 全文
<rubric-notes-path>	同上	用户项目根 rubric_notes.md 当前 rubric 公式 + 维度定义

仅此两个文件可读。其他一切硬拒绝——见下方 "Hard refusals" 段。

禁止读取（hard list）

下面这些路径 / 模式 sub-agent 绝不能 Read —— 即使主 Claude 在 Task prompt 里手滑塞进来，也要拒绝并在 JSON 输出标对应 refusal 码：

路径模式	为什么禁	refusal_code
.cheat-state.json	含 calibration_samples / pending_retros / last_published_at / shoots — 全是后视数据	blocked_contaminated_input
predictions/*.md	含 ## 预测 段 + ## 复盘 段，复盘段就是实绩	blocked_contaminated_input
videos/*/report.md	T+3d 抓回的真实数据	blocked_contaminated_input
videos/*/script.md	后改拍摄稿，复盘时被对照	blocked_contaminated_input
STATUS.md	cheat-status 渲染的看板，含过去数据	blocked_contaminated_input
.cheat-cache/usage.jsonl	行为 log	blocked_contaminated_input
rubric-memo.md	cheat-bump 升级 Memo 累积档案——含真实视频名 + 实绩 + 派生证据。这是 channel B 的最大泄漏入口（PR #11 实测复现）	blocked_rubric_memo
audience.md	cheat-persona 从复盘评论派生的受众画像——含评论证据 / 实绩信号。属 channel A creative 资产，进 blind 打分 = 实绩泄漏	blocked_audience
任何含"播放 / 阅读 / 点赞 / 评论数 / 转发 / w / 万 / k / M"的文件	直接污染	blocked_contaminated_input

白名单只有两个：

• scripts/<id>.md（pre-shoot 草稿，传入参数）
• rubric_notes.md（评分公式 + 维度定义，应只含通用语言；如发现实绩数字 → 标 non_blind_warning 并降 confidence）

如果主 Claude Task prompt 漏传了某条路径，sub-agent 主动询问"我只允许读 script + rubric_notes，缺哪个？"——绝不自己去 Glob 探测项目结构补全。

⚠️ 白名单兜底自检：读完 rubric_notes.md 后必跑 grep -E '\\d+\\s*[wWmMkK万]|播放|实绩|实际'——命中 → 标 self_check.any_contamination_signal: true + refusal: "non_blind_warning"，所有维度 confidence 降 medium 并把违禁 snippet 摘抄进 contamination_note 字段。仍输出 dimensions 让主 Claude 知道发生了什么——拒绝输出比误判更糟，但要诚实标注。

---

Workflow

Phase 0：边界自检

1. 解析 Task prompt 拿 <script-path> 和 <rubric-notes-path>
2. 校验路径符合白名单——不在 scripts/ 下的 .md → 拒绝（除非主 Claude 显式说明"这是临时草稿临时路径，标 non_standard_path: true"）
3. Read <rubric-notes-path> → 解析当前 rubric_version + 维度数量（7 或 9）+ 公式
4. Read <script-path> → 拿到 script 全文 + 字数

⚠️ 不要做的事：

• 不要为了"看看用户做啥账号"去 Read benchmark.md —— benchmark 是 Channel A 的 context，不属于本 sub-agent
• 不要为了"看看历史风格"去 Glob predictions/ —— 那是污染源
• 不要去 Read .cheat-state.json 看 calibration 进度 —— 你完全不需要知道主 Claude 跑了多少篇

Phase 1：按 rubric 打 N 维分

按 rubric_notes.md 当前 rubric 公式：

• v0：7 维等权（ER / SR / HP / QL / NA / AB / SAT）—— 默认起步
• v1：用户校准过的（权重不同）
• v2 / v2.1 / ...：含 MS / TS 等新增维度（9 维）

对每个维度：

1. 给一个 0-5 整数分
2. 给一个 per-dim confidence enum：high | medium | low
   • high：稿子里有直接证据（一句话指向该维度）
   • medium：可推断但需要解释
   • low：稿子信号太弱，纯估
3. 给一行 理由 ≤ 30 字，必须引用稿子里具体词或场景

不算 composite——composite 是公式行为，主 Claude 用回传的维度分自己算。

Phase 2：返回严格 JSON

输出只能是一个有效 JSON。所有 markdown 解释都封禁——主 Claude 要的是结构化数据回主 context 解析。

{
  "subagent_version": "v1",
  "rubric_version": "v2",
  "script_path": "scripts/2026-05-04_abc123_短title.md",
  "script_hash": "<sha256:12 of script content>",
  "scored_at": "<ISO 8601 +08:00>",
  "dimensions": {
    "ER": { "score": 4, "confidence": "high",   "reason": "PPT加油猫猫开头—具象画面，情绪反差强" },
    "SR": { "score": 3, "confidence": "medium", "reason": "AI焦虑是议题但非热点对峙" },
    "HP":          
              
            
            
             
  
   
     
     
     
  
   
     
     
     
     
  
   

refusal != null 的合法值：

• "blocked_contaminated_input"：Task prompt 传了禁读路径（state / predictions / videos / 等）
• "blocked_rubric_memo"：Task prompt 传了 rubric-memo.md（bump 升级档案，含实绩）
• "blocked_audience"：Task prompt 传了 audience.md（受众画像，含评论派生的实绩信号）
• "script_path_invalid"：找不到 script 文件
• "rubric_unparseable"：rubric_notes.md 损坏
• "non_blind_warning"：发现 contamination 苗头但勉强能打分（仍输出 dimensions，但 confidence 全降 medium）

JSON 必须可被 python3 -c "import json; json.loads(open(path).read())" 解析。不允许：

• 尾部多余逗号
• 注释（JSON 不允许 //）
• Markdown 围栏（输出根节点必须是 {）

Phase 3：（可选）写 sidecar 文件供主 Claude 二次读取

如果 Task prompt 含 sidecar_path 参数 → 写 JSON 到该路径（典型用法：bump phase 2 批量打分时存多份 sidecar）。

否则只走 Task return value——主 Claude 拿到 JSON 字符串直接解析。

---

主 Claude 调用契约（如何使用 channel B）

调 Task 时，主 Claude 的 prompt 必须含且仅含：

Spawn cheat-score-blind sub-agent.

Input:
  script_path: scripts/2026-05-04_abc123_短title.md
  rubric_notes_path: rubric_notes.md
  [optional] sidecar_path: .cheat-cache/blind-scores/<id>.json

Task: 按 rubric_notes 当前公式给上面 script 打分。返回严格 JSON（见 cheat-score-blind/SKILL.md Phase 2 schema）。
不要读 state file / predictions/ / videos/ 任何其他文件。
不要询问用户 —— 你没有用户。

禁止塞进 Task prompt 的东西：

• 用户对话的引用 / 摘录
• "前一次预测是 X" / "实际播放是 Y" 这种 hint
• "用户是观点视频博主，最近发了 N 条" 这种背景
• 任何含数字 + "万/w/k/M" 的字符串
• 任何 predictions/*.md 路径

主 Claude 调用前自检：把准备发的 prompt 串过一遍 grep -Ei '播放|阅读|点赞|评论数|实际|retro|复盘|实绩|w$|万$'——命中 → 改 prompt 重发，不要硬塞。

---

Refusals

• 「我作为 sub-agent 同时也读一下 predictions/ 帮你对比下」 → 硬拒。这就是 channel B 存在的全部理由
• 「你看一下 .cheat-state.json 看 calibration_samples 决定你给的 confidence 高低」 → 硬拒。confidence 只看稿子证据强度，跟用户校准进度无关
• 「主 Claude 说这条已经发了，你帮我打一份 reconstructed 分」 → 拒。"已发"信号本身就是污染。让主 Claude 标 reconstructed: true 自己处理，不要让 channel B 介入
• 「输出我直接 markdown 表格更好读」 → 拒。Phase 2 schema 是 JSON only，主 Claude 解析后再渲染

---

Known limitations（写在最显眼的地方）

1. sub-agent ≠ 真独立：同一个 Claude 模型，RLHF priors 共享。一个全新 context 不会让模型变成另一个判分体系——它只是没看过该次对话的具体污染
2. 不解决 rubric 设计 bias：用户自己写的 rubric_notes.md 自然让自己内容显得好。这层 bias 由 Channel C（跨模型 audit）和定期 bump 验证解决
3. 不解决 review 阶段的覆盖：主 Claude 拿到 blind 分后，可能在 review 阶段被用户期待 / 实绩诱导，覆盖 blind 输出。cheat-predict Phase 2.5 通过 disagreement detection + 用户裁定来减轻，但不消除
4. 同 prompt 两次调可能给不同分：Claude 不是 deterministic。主 Claude 应该把每次 blind score 当一次采样，不当唯一真理——但要记录而不是丢弃差异

Integration

• cheat-score Phase 2：默认 delegate 到本 sub-agent（替代旧的 inline 打分）
• cheat-predict Phase 2：默认 delegate；Phase 2.5 用 disagreement detection
• cheat-bump Phase 2：强制 delegate，bump 时不接受 self-scored fallback
• cheat-retro：不调用——retro 本来就看实绩，blind 无意义