mstar-routing-eval

name	mstar-routing-eval
description	[Cursor maint] Morning Star 路由与 prompt 迭代评估 —— 维护/回归专用（非日常 PM 编排 runtime）。路径：本仓库 `.cursor/skills/mstar-routing-eval/`。(1) PM 路由回归：`assets/routing-evals.json`；(2) Prompt/规则迭代评估；(3) Routing Eval Report 模板。变更 PM 路由或 harness 门禁、`@prompt-engineer` 改 agents/skills、或显式跑场景集时 Read。

Maintainer scope（维护专用 · Cursor）

• 不是 runtime pack：日常 specify → implement → QC 不要求 Read 本 skill；已从 skills/mstar-* 运行时包中拆出，避免与「每轮必读」混淆。
• Canonical 位置：本仓库内 仅此目录（.cursor/skills/mstar-routing-eval/）为正文 + assets/ SSOT；不再维护 skills/mstar-routing-eval/ 副本。
• 谁在读：@prompt-engineer 改规则前；维护者改 project-manager / harness 门禁后跑回归；repo-maintenance 清单涉及路由时。

Load order（必读顺序）

在同一会话或任务中首次 Read 本 skill 时：必须先 Read mstar-harness-core skill（SKILL.md，以及评估路由与门禁时需要的 mstar-harness-core/references/）。 本 skill 的 routing-evals.json 场景校验的是对 harness 的遵守情况；若未建立 harness 上下文，评估易与真实门禁脱节。冲突时 以 mstar-harness-core 为准。

摘要：mstar-harness-core — 期望路由与 phase gate；本 skill — 场景集、Routing Eval Report 模板与回归方法。

Morning Star Routing & Evaluation Harness

1. PM 路由评估

本节用于验证 @project-manager 是否将任务路由到正确的 agent 和门禁。

输入

• 场景集：本 skill 的 assets/routing-evals.json
• 路由策略来源：mstar-roles skill 的 project-manager 角色
• 全局约束：mstar-harness-core skill（含 harness 不变量与 skill 索引）

评估方法

对每个场景：

1. 将实际路由与 expected_route 进行比对。
2. 检查所需产出是否已规划并最终产出。
3. 验证没有 hard_fail_if 条件被违反。
4. 验证 Context Loaded 已声明且包含必要文件。
5. 验证 Assignment 的语言契约：字段名英文、任务正文可中文、执行产出/报告英文（除非用户明确要求其他语言）。
6. 记录路由质量和缺失的证据。

评估执行步骤（1-2-3）

1. 准备输入：加载当前 assets/routing-evals.json、project-manager.md、mstar-harness-core（含 references）。
2. 逐案判定：按 expected_route / must_have_artifacts / hard_fail_if 打分并记录证据。
3. 输出报告：按下文 Routing Eval Report 模板汇总（含 phase_gate_compliance_rate）。

评分

• Pass：路由和产出满足预期，无硬性失败。
• Borderline：存在轻微偏差但质量门禁得到保留。
• Fail：触发硬性失败条件或跳过关键门禁。

Phase Gate 评分细则

用于量化 specify -> clarify -> plan -> tasks -> implement 合规度。

• Pass
  • 非 hotfix：Prepare 与 Execute 门禁均完整通过；无跳步实现。
  • hotfix：允许压缩路径，但已明确事后 clarify/RCA 补记安排。
• Borderline
  • 门禁顺序总体正确，但存在可修复的轻微缺项（例如 Phase Gate Checklist 字段漏写但证据可追溯）。
  • 未出现"先实现后补 gate"的行为。
• Fail
  • 非 hotfix 跳过 clarify 或 tasks。
  • 已知 plan drift 仍继续实现，且无 plan 回写。
  • hotfix 未承诺或未记录事后 clarify/RCA。

建议量化指标

• phase_gate_compliance_rate = pass_cases / total_cases
• 建议门槛：
  • 日常迭代：>= 0.9
  • 关键发布前：= 1.0

2. 回归信号

如果以下情况在两个或以上场景中出现，则说明路由逻辑退化：

• 实现类任务省略了 QA gate 决策（mandatory 或 pm-acceptance 须落 Assignment；禁止无字段即 Done）
• QC 路径相对任务类型被过度或不足使用
• 跨模块工作缺少 architect/探索阶段
• 未按 specify -> clarify -> plan 完成准备阶段即进入实现
• plan 完成后未进行 tasks 拆解就直接实现
• 非热修复任务使用了热修复路径
• 对业务 Git 仓库的实现类分派缺少 Working branch 或明确的 Branch policy（见 mstar-branch-worktree SKILL.md）
• Context Loaded 缺失或缺少必要的 plan 路径
• 非热修缺陷在未记录根因或可证伪假设前大规模改代码
• 生产/高危运维变更缺少回滚说明或高危清单
• 声明 Report-only 的 QA 任务却改动业务逻辑，或无谓触发全量三审
• Hotfix / clean small non-UI 误派 qa-engineer（应为 QA gate: pm-acceptance）
• UI 可见变更跳过 mandatory QA 或无 observable 证据
• Assignment 语言契约不一致（字段名漂移为中文、或要求英文报告却回报为中文且无用户豁免）
• 实现类 Assignment 缺少 Task category 或与 Execute as、Why this agent 明显矛盾（或缺少 Execute as）
• 意图门禁缺失：Prepare 未书面收敛真实目标/成功判据/非目标即进入开发分派
• Dev 三角失衡：在「新 API + 多文件/用户可见 UI」或可并行的双模块场景下，长期仅派 @fullstack-dev、从不派 @frontend-dev / @fullstack-dev-2，且 Assignment 未写明 Dev routing: single-stream — …
• 误把「单轨串行」当「全程仅 fullstack-dev」：计划写不并行 / 逐波串行，但 PM Task Board 上多行可对等 dev 单元却无理由全部 fullstack-dev、未按 project-manager.md Dev 三角 §6 round-robin，也未写 Dev owner tie-break: single id — …
• 并行技能标签缺失：已下发 ≥2 条并行实现 Assignment（或 Dev routing: parallel / tasks 并行标记）且走 Superpowers 工作流时，Status Update 或 Assignment 的 Superpowers 未出现 dispatching-parallel-agents（或同义短语）；或 同仓 ≥2 可写并发 却未叠 using-git-worktrees 与检出约定
• N invoke ≠ worktree 隔离：同条消息已发 ≥2 implement invoke，但 Assignment 无绝对 Worktree path / 未在 invoke 前 git worktree add（见 mstar-branch-worktree → references/parallel-writable-pre-dispatch.md）
• 跨 plan 无 lease 并行：迭代 Phase 2 跨 plan 可写派发无 verified plans[].execution_lease + 独立 feature Worktree path；或 steal / 覆盖活跃 execution_lease / integration_merge_lease；或并行 integration merge；或 InProgress 无 lease 未恢复即 writable-dispatch（见 mstar-iteration §2.6 · mstar-dispatch-gates）
• 跨 plan 并行无 same-host 锁：跨主机 / 无共享 flock 仍 dispatch 跨 plan 并行可写 implement，且 无 用户本轮 Cross-host lease race: accepted（或等价）+ audit plans[].notes；应 Blocked 或改为 Plan parallelism: serial（见 mstar-plan-artifacts · mstar-iteration §2.0 #5）— 含 Worktree mode: waived
• Worktree mode: waived 误作并行授权：Assignment 含 waived 且无 same-host 锁、无 serial、无 Cross-host lease race: accepted + audit 仍 dispatch 跨 plan 并行可写 implement

3. 迭代规则

如果任一场景失败：

• 向用户提议对 mstar-roles skill 的 project-manager 角色 或 mstar-* skills 的修改（全局配置写入仅由用户本人执行，agent 不得直接落盘）
• 重新运行完整场景集
• 在 plan notes 中记录变更内容及原因

4. Prompt/规则迭代评估（独立于单次对话）

为什么需要这个

没有评估的 prompt 修改容易过拟合到单次对话。使用小型但可重复的评估体系，让改进提升可靠性，而非仅仅优化风格。

迭代循环

1. 定义变更假设（若涉及「库文档怎么查」或宿主差异，先对照 mstar-harness-core 的共享协议与当前宿主 adapter skill，避免双轨说明漂移）。
2. 运行一组固定的代表性任务提示词。
3. 对比变更前后的行为。
4. 记录发现并更新提示词/skill 文档。
5. 重复直到收益趋于平稳。

测试集设计

维护一组紧凑的提示词，覆盖：

• 小型功能交付
• 中等规模跨模块变更
• 缺陷调查与修复
• 审查密集型路径（含评审意见冲突）
• 提示词/规则重构任务
• 间歇性/高歧义缺陷（RCA 先于大改）
• 用户可见前端回归（QA gate: mandatory + 可观察 QA 证据）
• Hotfix / clean small non-UI（QA gate: pm-acceptance，不派 QA）
• 生产或高危运维变更（回滚与清单）
• QA Report-only（无业务代码改动）

每个测试应指定：

• 预期路由（应使用哪些 agent）
• 预期产出（计划、审查摘要、验证证据）
• 硬性失败条件（缺少 QA gate、无 pm-acceptance 清单即 Done、跳过审查等）
• 阶段门禁轨迹（specify -> clarify -> plan -> tasks -> implement）

评分维度

每次运行按 1-5 分评分：

• 路由准确性：正确的 agent、正确的阶段、最少的交接摩擦
• 策略合规性：计划更新、状态流转、签收规则
• 证据质量：具体验证而非模糊声明
• 吞吐量：每轮产出进展，避免不必要的等待
• 鲁棒性：失败或歧义后的恢复质量
• 阶段适度性：任务体量与门禁深度匹配（小改动不套全量"计划评审"链，大改动不跳过 RCA/契约）
• Phase Gate 合规：非 hotfix 不得跳过 clarify 与 tasks
• 行为准则合规：是否符合 mstar-coding-behavior（显式假设、最小解法、手术式改动、Step -> verify）

Prompt 变更的最低接受标准

提示词/规则变更只有在满足以下条件时才可接受：

• 策略合规性不下降
• 不增加可避免的交接循环
• 至少 3/5 场景中证据质量持平或更好
• 关键场景中 Phase Gate 合规率不低于变更前（建议目标：100%）
• 行为准则合规不下降（尤其是"无关改动率"与"不可追溯改动"）

回归记录

当变更导致回归时，记录：

• 提示词版本和变更部分
• 失败的场景
• 可能的根因
• 回滚或后续调整

将此日志保存在相关 plan 文件的 notes 或 failure log 中。

5. Routing Eval Report（输出模板）

当使用 assets/routing-evals.json 跑回归时，建议统一输出以下结构，便于横向比较：

# Routing Eval Report

## Run Metadata
- date: YYYY-MM-DD
- ruleset version: {version}
- evaluator: {agent/person}

## Overall
- total_cases: {n}
- pass_cases: {n}
- borderline_cases: {n}
- fail_cases: {n}
- phase_gate_compliance_rate: {pass_cases / total_cases}

## Failed Cases
- {case-id}: {reason}
- {case-id}: {reason}

## Borderline Cases
- {case-id}: {what is missing and why still borderline}

## Regression Signals
- {signal}: {count}

## Recommended Actions
- {doc or prompt change proposal}

最小要求：

• 每个失败用例必须对应 hard_fail_if 中的具体条目，避免"主观失败"。
• 必须单独报告 Phase Gate 相关失败（clarify/tasks/plan-drift/hotfix-post-rca）。
• 报告应可回溯到本次评估使用的 routing-evals.json 版本。

6. 实践指引

• 每次迭代只改变一个主要行为维度。
• 优先删除低价值指令，而非添加更多文本。
• 将评审中反复出现的评论转化为明确的模板或检查。
• 将持久性规则提升到对应 mstar-* skill 中；保持角色文件简洁。
• 对"最小解法/手术式改动"建议做抽样 diff 审计，避免 prompt 变更后再次膨胀。

Assets

• assets/routing-evals.json — PM 路由回归场景集（结构：cases[].prompt / expected_route / must_have_artifacts / hard_fail_if）。评估时用 cat 或 jq 读取；更新场景集须与本 skill 同 PR 维护以避免版本漂移。