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。
npx skills add https://github.com/YIKUAIBANZI/forge-skill --skill eval-debateこのコマンドをClaude Codeにコピー＆ペーストしてスキルをインストール
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。
| 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。