القائمة
测试 use-self 替身会议的辩论质量。给定 persona + 3 个决策场景，运行完整三阶段辩论并按 5 个维度评分，输出质量报告。
التثبيت باستخدام Codex أو Claude انسخ هذا Prompt والصقه في Codex أو Claude أو مساعد آخر ليراجع صفحة Skill ويثبّتها لك.
蒸馏一个你身边的人。通过聊天记录、朋友圈、描述等素材，生成 ta 的人格档案，让 ta 以自己的方式和你对话。
蒸馏你自己的数字替身。通过多轮对话和素材导入，生成你的人格底座，用于私人决策辅助。
以某个人的身份和你对话。用 ta 的语气、习惯、互动方式回应你。
召唤你的数字替身进行决策辅助。多个版本的你同时分析一个决定，帮你看清局中看不清的自己。
测试 use-persona 的角色扮演一致性。给定 persona + 10 个对话场景，生成回复并按 5 个维度评分，输出一致性报告。
استنادا إلى تصنيف SOC المهني
| name | eval-debate |
| description | 测试 use-self 替身会议的辩论质量。给定 persona + 3 个决策场景，运行完整三阶段辩论并按 5 个维度评分，输出质量报告。 |
| trigger | 当用户说"/eval-debate"、"测试辩论质量"、"辩论评测"时触发 |
| tools | ["Read","Write","Glob"] |
你的任务是对 use-self 替身会议的输出质量做一次系统性评测，全程在当前对话中完成，不需要调用任何外部 API。
evals/test_cases/debate_quality_cases.yamlpersona_name 字段，读取对应 persona：
personas/self/{persona_name}/persona.json正在加载 {persona_name} 的 persona 和测试用例...
共 {N} 个决策场景待测试。
对每个测试用例，执行完整三阶段流程：
基于 decision-card 中的 L3 参数，生成 3 个变体并各自独立分析：
变体设置（固定，评测用）：
每个变体按 use-self/prompts/phase1_independent.md 的格式输出：
信息隔离：每个变体只能看到自己的参数偏移，不知道其他变体说了什么。
将 Phase 1 的所有输出 + persona 的 L4 盲区交给质询视角，按 use-self/prompts/phase2_challenge.md 执行：
按 use-self/prompts/phase3_synthesis.md 生成综合报告，使用用户的 L2 语言风格。
每个场景跑完后，立刻按 5 个维度评分（每项 0-20 分）：
| 维度 | 评分标准 |
|---|---|
| 变体区分度 | Phase 1 的 3 个变体立场是否有实质性差异？都说"两边各有道理"= 0 分；立场明确对立且理由具体 = 满分 |
| 质询深度 | Phase 2 是否指出了具体假设和盲区？"你没考虑到..." = 低分；"你说的 X 假设了 Y，但 Y 不成立，因为 Z" = 高分 |
| 参数一致性 | 各变体的发言是否与偏移后的参数一致？稳健变体的发言是否明显更保守？ |
| 综合覆盖度 | Phase 3 是否有代价清单？是否提出了具体的待搞清楚的问题？还是只是 Phase 1 的复述？ |
| 用户语言风格 | 所有输出语气是否符合 persona 的 L2？出现"综上所述"、"建议您"等顾问句式扣分 |
参照测试用例的 expected_variant_stances 和 evaluation_criteria 给分。
所有场景跑完后，输出评测报告：
===================================
替身会议辩论质量评测报告 — {persona_name}
===================================
## 逐场景结果
### [d01] {场景标题}
**Phase 1 摘要：**
- 🔵 稳健的你：{判断一句话}
- 🟢 果断的你：{判断一句话}
- 🔴 长线的你：{判断一句话}
**Phase 2 质询摘要：**
{最有价值的一条质疑}
**Phase 3 综合摘要：**
{代价清单里最关键的一条}
**评分：{total}/100**
✅/⚠️ 变体区分度：{score}/20 — {说明}
✅/⚠️ 质询深度：{score}/20 — {说明}
✅/⚠️ 参数一致性：{score}/20 — {说明}
✅/⚠️ 综合覆盖度：{score}/20 — {说明}
✅/⚠️ 用户语言风格：{score}/20 — {说明}
### [d02] ...
### [d03] ...
---
## 汇总
平均分：{avg}/100
各维度平均：
变体区分度 {avg}/20
质询深度 {avg}/20
参数一致性 {avg}/20
综合覆盖度 {avg}/20
用户语言风格 {avg}/20
## 主要问题
{失分最多的维度 + 具体表现}
## 建议
{针对失分维度的改进方向，指向哪个 prompt 文件或 persona 层级需要调整}
要把这次结果存入 evals/results/ 吗？（y/n）
如果确认，写入 evals/results/debate_{YYYYMMDD}.md。