[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"skill:01M7304FFWE5P9FFTT95ZDEYYR":3,"skill-same:01M7304FFWE5P9FFTT95ZDEYYR":48},{"skillNo":4,"name":5,"nameZh":6,"description":7,"descriptionZh":6,"repositoryFullName":8,"ownerLogin":9,"ownerAvatarUrl":10,"ownerAccountNo":11,"ownerDisplayName":12,"repositoryNo":13,"starsCount":14,"licenseSpdxId":15,"licenseFileUrl":6,"sourceHtmlUrl":16,"categories":17,"keywords":18,"publishedAt":19,"linkOnly":20,"markdownContent":21,"markdownBody":22,"frontMatter":23,"refName":25,"commitSha":26,"skillDirectory":27,"forksCount":28,"repositoryHtmlUrl":29,"repositoryHomepageUrl":6,"ownerHtmlUrl":30,"ownerBlogUrl":31,"ownerDescription":32,"updatedAt":33,"install":34,"resources":47},"01M7304FFWE5P9FFTT95ZDEYYR","santa-method",null,"具有收敛循环的多智能体对抗验证。两个独立的审查代理必须都通过，输出才能发送。","SriramGandhiS\u002FSkills","SriramGandhiS","https:\u002F\u002Favatars.githubusercontent.com\u002Fu\u002F211849986?v=4","01M72WQCW12BYX71C6WN584TTA","Sriram S","01M72WQCWTJ2RD0ET1X31AF1RC",1,"MIT","https:\u002F\u002Fgithub.com\u002FSriramGandhiS\u002FSkills\u002Fblob\u002Fmaster\u002Fskills\u002Feverything-claude-code\u002Fdocs\u002Fzh-CN\u002Fskills\u002Fsanta-method\u002FSKILL.md",[],[],"2026-11-11 15:11:14",false,"---\nname: santa-method\ndescription: \"具有收敛循环的多智能体对抗验证。两个独立的审查代理必须都通过，输出才能发送。\"\norigin: \"Ronald Skelton - Founder, RapportScore.ai\"\n---\n\n# 圣诞老人方法\n\n多智能体对抗验证框架。列个清单，检查两遍。如果行为不端，就修正直到表现良好。\n\n核心洞察：单个智能体审查自身输出时，会共享产生该输出的相同偏见、知识盲区和系统性错误。两个没有共享上下文的独立审查者可以打破这种故障模式。\n\n## 何时激活\n\n在以下情况调用此技能：\n\n* 输出将被发布、部署或供最终用户使用\n* 必须强制执行合规、监管或品牌约束\n* 代码未经人工审查即投入生产\n* 内容准确性至关重要（技术文档、教育材料、面向客户的文案）\n* 大规模批量生成，抽检无法发现系统性模式\n* 幻觉风险较高（声明、统计数据、API 参考、法律用语）\n\n**不要**用于内部草稿、探索性研究或具有确定性验证的任务（这些请使用构建\u002F测试\u002F代码检查流水线）。\n\n## 架构\n\n```\n┌─────────────┐\n│  生成器      │  阶段 1：列出清单\n│  (代理 A)    │  生成交付物\n└──────┬───────┘\n       │ 输出\n       ▼\n┌──────────────────────────────┐\n│     双重独立审查              │  阶段 2：复核两次\n│                              │\n│  ┌───────────┐ ┌───────────┐ │  两个代理，同一评分标准，\n│  │ 审查者 B  │ │ 审查者 C  │ │  无共享上下文\n│  └─────┬─────┘ └─────┬─────┘ │\n│        │              │       │\n└────────┼──────────────┼───────┘\n         │              │\n         ▼              ▼\n┌──────────────────────────────┐\n│       裁决门                  │  阶段 3：判定好坏\n│                              │\n│  B通过且C通过 → 好            │  两者必须通过。\n│  否则 → 坏                    │  无例外。\n└──────┬──────────────┬────────┘\n       │              │\n      好             坏\n       │              │\n       ▼              ▼\n   [ 发布 ]    ┌─────────────┐\n               │  修复循环    │  阶段 4：修复至通过\n               │              │\n               │ 迭代次数++   │  收集所有标记。\n               │ 若 i > 最大: │  修复所有问题。\n               │   升级处理   │  重新运行两个审查者。\n               │ 否则:        │  循环直至收敛。\n               │   跳至阶段2  │\n               └──────────────┘\n```\n\n## 阶段详情\n\n### 阶段 1：列清单（生成）\n\n执行主要任务。无需改变正常的生成工作流程。圣诞老人方法是一个生成后验证层，而非生成策略。\n\n```python\n# The generator runs as normal\noutput = generate(task_spec)\n```\n\n### 阶段 2：检查两遍（独立双重审查）\n\n并行生成两个审查智能体。关键不变项：\n\n1. **上下文隔离** — 两个审查者互不见面对方的评估\n2. **相同评估标准** — 两者收到相同的评估标准\n3. **相同输入** — 两者都收到原始规格说明和生成的输出\n4. **结构化输出** — 每个审查者返回类型化的判定，而非散文\n\n```python\nREVIEWER_PROMPT = \"\"\"\nYou are an independent quality reviewer. You have NOT seen any other review of this output.\n\n## Task Specification\n{task_spec}\n\n## Output Under Review\n{output}\n\n## Evaluation Rubric\n{rubric}\n\n## Instructions\nEvaluate the output against EACH rubric criterion. For each:\n- PASS: criterion fully met, no issues\n- FAIL: specific issue found (cite the exact problem)\n\nReturn your assessment as structured JSON:\n{\n  \"verdict\": \"PASS\" | \"FAIL\",\n  \"checks\": [\n    {\"criterion\": \"...\", \"result\": \"PASS|FAIL\", \"detail\": \"...\"}\n  ],\n  \"critical_issues\": [\"...\"],   \u002F\u002F blockers that must be fixed\n  \"suggestions\": [\"...\"]         \u002F\u002F non-blocking improvements\n}\n\nBe rigorous. Your job is to find problems, not to approve.\n\"\"\"\n```\n\n```python\n# Spawn reviewers in parallel (Claude Code subagents)\nreview_b = Agent(prompt=REVIEWER_PROMPT.format(...), description=\"Santa Reviewer B\")\nreview_c = Agent(prompt=REVIEWER_PROMPT.format(...), description=\"Santa Reviewer C\")\n\n# Both run concurrently — neither sees the other\n```\n\n### 评估标准设计\n\n评估标准是最重要的输入。模糊的标准会产生模糊的审查。每个标准必须有客观的通过\u002F失败条件。\n\n| 标准 | 通过条件 | 失败信号 |\n|-----------|---------------|----------------|\n| 事实准确性 | 所有声明均可根据源材料或常识验证 | 编造的统计数据、错误的版本号、不存在的 API |\n| 无幻觉 | 没有虚构的实体、引用、URL 或参考文献 | 指向不存在页面的链接、无来源的引用 |\n| 完整性 | 规格说明中的每个要求都得到满足 | 缺少章节、遗漏边缘情况、覆盖不完整 |\n| 合规性 | 通过所有项目特定的约束 | 使用禁用术语、语气违规、监管不合规 |\n| 内部一致性 | 输出内无矛盾 | A 部分说 X，B 部分说非 X |\n| 技术正确性 | 代码可编译\u002F运行，算法合理 | 语法错误、逻辑错误、错误的复杂度声明 |\n\n#### 特定领域评估标准扩展\n\n**内容\u002F营销：**\n\n* 品牌语气一致性\n* 满足 SEO 要求（关键词密度、元标签、结构）\n* 无竞争对手商标滥用\n* CTA 存在且链接正确\n\n**代码：**\n\n* 类型安全（无 `any` 泄漏，正确处理 null）\n* 错误处理覆盖\n* 安全性（代码中无秘密、输入验证、注入防护）\n* 新路径的测试覆盖\n\n**合规敏感（受监管、法律、金融）：**\n\n* 无结果保证或未经证实的声明\n* 存在所需的免责声明\n* 仅使用批准的术语\n* 符合司法管辖区的语言\n\n### 阶段 3：表现好坏（判定门控）\n\n```python\ndef santa_verdict(review_b, review_c):\n    \"\"\"Both reviewers must pass. No partial credit.\"\"\"\n    if review_b.verdict == \"PASS\" and review_c.verdict == \"PASS\":\n        return \"NICE\"  # Ship it\n\n    # Merge flags from both reviewers, deduplicate\n    all_issues = dedupe(review_b.critical_issues + review_c.critical_issues)\n    all_suggestions = dedupe(review_b.suggestions + review_c.suggestions)\n\n    return \"NAUGHTY\", all_issues, all_suggestions\n```\n\n为什么两者都必须通过：如果只有一个审查者发现问题，那么该问题是真实存在的。另一个审查者的盲点正是圣诞老人方法旨在消除的故障模式。\n\n### 阶段 4：修正直到表现良好（收敛循环）\n\n```python\nMAX_ITERATIONS = 3\n\nfor iteration in range(MAX_ITERATIONS):\n    verdict, issues, suggestions = santa_verdict(review_b, review_c)\n\n    if verdict == \"NICE\":\n        log_santa_result(output, iteration, \"passed\")\n        return ship(output)\n\n    # Fix all critical issues (suggestions are optional)\n    output = fix_agent.execute(\n        output=output,\n        issues=issues,\n        instruction=\"Fix ONLY the flagged issues. Do not refactor or add unrequested changes.\"\n    )\n\n    # Re-run BOTH reviewers on fixed output (fresh agents, no memory of previous round)\n    review_b = Agent(prompt=REVIEWER_PROMPT.format(output=output, ...))\n    review_c = Agent(prompt=REVIEWER_PROMPT.format(output=output, ...))\n\n# Exhausted iterations — escalate\nlog_santa_result(output, MAX_ITERATIONS, \"escalated\")\nescalate_to_human(output, issues)\n```\n\n关键：每轮审查使用**全新的智能体**。审查者不得携带之前轮次的记忆，因为先前的上下文会造成锚定偏差。\n\n## 实现模式\n\n### 模式 A：Claude Code 子智能体（推荐）\n\n子智能体提供真正的上下文隔离。每个审查者是一个独立的进程，没有共享状态。\n\n```bash\n# In a Claude Code session, use the Agent tool to spawn reviewers\n# Both agents run in parallel for speed\n```\n\n```python\n# Pseudocode for Agent tool invocation\nreviewer_b = Agent(\n    description=\"Santa Review B\",\n    prompt=f\"Review this output for quality...\\n\\nRUBRIC:\\n{rubric}\\n\\nOUTPUT:\\n{output}\"\n)\nreviewer_c = Agent(\n    description=\"Santa Review C\",\n    prompt=f\"Review this output for quality...\\n\\nRUBRIC:\\n{rubric}\\n\\nOUTPUT:\\n{output}\"\n)\n```\n\n### 模式 B：顺序内联（备用方案）\n\n当子智能体不可用时，通过显式上下文重置模拟隔离：\n\n1. 生成输出\n2. 新上下文：\"你是审查者 1。仅根据此评估标准进行评估。找出问题。\"\n3. 逐字记录发现\n4. 完全清除上下文\n5. 新上下文：\"你是审查者 2。仅根据此评估标准进行评估。找出问题。\"\n6. 比较两个审查结果，修复，重复\n\n子智能体模式严格优于内联模拟——内联模拟存在审查者之间上下文渗透的风险。\n\n### 模式 C：批量采样\n\n对于大批量（100+ 项），对每个项目都执行完整的圣诞老人方法成本过高。使用分层采样：\n\n1. 对随机样本（批量的 10-15%，最少 5 项）运行圣诞老人方法\n2. 按类型对失败进行分类（幻觉、合规性、完整性等）\n3. 如果出现系统性模式，对整个批量应用针对性修复\n4. 重新采样并重新验证修复后的批量\n5. 持续直到干净的样本通过\n\n```python\nimport random\n\ndef santa_batch(items, rubric, sample_rate=0.15):\n    sample = random.sample(items, max(5, int(len(items) * sample_rate)))\n\n    for item in sample:\n        result = santa_full(item, rubric)\n        if result.verdict == \"NAUGHTY\":\n            pattern = classify_failure(result.issues)\n            items = batch_fix(items, pattern)  # Fix all items matching pattern\n            return santa_batch(items, rubric)   # Re-sample\n\n    return items  # Clean sample → ship batch\n```\n\n## 故障模式与缓解措施\n\n| 故障模式 | 症状 | 缓解措施 |\n|-------------|---------|------------|\n| 无限循环 | 修复后审查者仍不断发现新问题 | 最大迭代次数限制（3 次）。升级处理。 |\n| 橡皮图章 | 两个审查者都通过所有内容 | 对抗性提示：\"你的工作是发现问题，而不是批准。\" |\n| 主观漂移 | 审查者标记风格偏好，而非错误 | 严格的评估标准，仅包含客观的通过\u002F失败标准 |\n| 修复回归 | 修复问题 A 引入了问题 B | 每轮使用全新的审查者来捕获回归 |\n| 审查者一致性偏差 | 两个审查者都遗漏了同一件事 | 独立性可缓解但无法消除。对于关键输出，添加第三个审查者或人工抽检。 |\n| 成本激增 | 大型输出上迭代次数过多 | 批量采样模式。每个验证周期的预算上限。 |\n\n## 与其他技能的集成\n\n| 技能 | 关系 |\n|-------|-------------|\n| 验证循环 | 用于确定性检查（构建、代码检查、测试）。圣诞老人方法用于语义检查（准确性、幻觉）。先运行验证循环，再运行圣诞老人方法。 |\n| 评估工具 | 圣诞老人方法的结果反馈给评估指标。跟踪圣诞老人方法运行中的 pass@k，以衡量生成器质量随时间的变化。 |\n| 持续学习 v2 | 圣诞老人方法的发现成为本能。同一标准上的重复失败 → 学习到的行为以避免该模式。 |\n| 战略压缩 | 在压缩**之前**运行圣诞老人方法。不要在验证过程中丢失审查上下文。 |\n\n## 指标\n\n跟踪以下指标以衡量圣诞老人方法的有效性：\n\n* **首次通过率**：第一轮通过圣诞老人方法的输出百分比（目标：>70%）\n* **收敛平均迭代次数**：达到\"表现良好\"的平均轮数（目标：\u003C1.5）\n* **问题分类**：失败类型的分布（幻觉 vs. 完整性 vs. 合规性）\n* **审查者一致性**：两个审查者都标记的问题与仅一个审查者标记的问题的百分比（一致性低 = 需要收紧评估标准）\n* **逃逸率**：发布后发现但圣诞老人方法本应捕获的问题（目标：0）\n\n## 成本分析\n\n每个验证周期，圣诞老人方法的代币成本大约是单独生成的 2-3 倍。对于大多数高风险的输出，这很划算：\n\n```\n圣诞老人的成本 = (生成代币) + 2×(每轮审查代币) × (平均轮数)\n不做圣诞老人的成本 = (声誉损害) + (纠正努力) + (信任侵蚀)\n```\n\n对于批量操作，采样模式将成本降低到完全验证的约 15-20%，同时捕获超过 90% 的系统性问题。\n","# 圣诞老人方法\n\n多智能体对抗验证框架。列个清单，检查两遍。如果行为不端，就修正直到表现良好。\n\n核心洞察：单个智能体审查自身输出时，会共享产生该输出的相同偏见、知识盲区和系统性错误。两个没有共享上下文的独立审查者可以打破这种故障模式。\n\n## 何时激活\n\n在以下情况调用此技能：\n\n* 输出将被发布、部署或供最终用户使用\n* 必须强制执行合规、监管或品牌约束\n* 代码未经人工审查即投入生产\n* 内容准确性至关重要（技术文档、教育材料、面向客户的文案）\n* 大规模批量生成，抽检无法发现系统性模式\n* 幻觉风险较高（声明、统计数据、API 参考、法律用语）\n\n**不要**用于内部草稿、探索性研究或具有确定性验证的任务（这些请使用构建\u002F测试\u002F代码检查流水线）。\n\n## 架构\n\n```\n┌─────────────┐\n│  生成器      │  阶段 1：列出清单\n│  (代理 A)    │  生成交付物\n└──────┬───────┘\n       │ 输出\n       ▼\n┌──────────────────────────────┐\n│     双重独立审查              │  阶段 2：复核两次\n│                              │\n│  ┌───────────┐ ┌───────────┐ │  两个代理，同一评分标准，\n│  │ 审查者 B  │ │ 审查者 C  │ │  无共享上下文\n│  └─────┬─────┘ └─────┬─────┘ │\n│        │              │       │\n└────────┼──────────────┼───────┘\n         │              │\n         ▼              ▼\n┌──────────────────────────────┐\n│       裁决门                  │  阶段 3：判定好坏\n│                              │\n│  B通过且C通过 → 好            │  两者必须通过。\n│  否则 → 坏                    │  无例外。\n└──────┬──────────────┬────────┘\n       │              │\n      好             坏\n       │              │\n       ▼              ▼\n   [ 发布 ]    ┌─────────────┐\n               │  修复循环    │  阶段 4：修复至通过\n               │              │\n               │ 迭代次数++   │  收集所有标记。\n               │ 若 i > 最大: │  修复所有问题。\n               │   升级处理   │  重新运行两个审查者。\n               │ 否则:        │  循环直至收敛。\n               │   跳至阶段2  │\n               └──────────────┘\n```\n\n## 阶段详情\n\n### 阶段 1：列清单（生成）\n\n执行主要任务。无需改变正常的生成工作流程。圣诞老人方法是一个生成后验证层，而非生成策略。\n\n```python\n# The generator runs as normal\noutput = generate(task_spec)\n```\n\n### 阶段 2：检查两遍（独立双重审查）\n\n并行生成两个审查智能体。关键不变项：\n\n1. **上下文隔离** — 两个审查者互不见面对方的评估\n2. **相同评估标准** — 两者收到相同的评估标准\n3. **相同输入** — 两者都收到原始规格说明和生成的输出\n4. **结构化输出** — 每个审查者返回类型化的判定，而非散文\n\n```python\nREVIEWER_PROMPT = \"\"\"\nYou are an independent quality reviewer. You have NOT seen any other review of this output.\n\n## Task Specification\n{task_spec}\n\n## Output Under Review\n{output}\n\n## Evaluation Rubric\n{rubric}\n\n## Instructions\nEvaluate the output against EACH rubric criterion. For each:\n- PASS: criterion fully met, no issues\n- FAIL: specific issue found (cite the exact problem)\n\nReturn your assessment as structured JSON:\n{\n  \"verdict\": \"PASS\" | \"FAIL\",\n  \"checks\": [\n    {\"criterion\": \"...\", \"result\": \"PASS|FAIL\", \"detail\": \"...\"}\n  ],\n  \"critical_issues\": [\"...\"],   \u002F\u002F blockers that must be fixed\n  \"suggestions\": [\"...\"]         \u002F\u002F non-blocking improvements\n}\n\nBe rigorous. Your job is to find problems, not to approve.\n\"\"\"\n```\n\n```python\n# Spawn reviewers in parallel (Claude Code subagents)\nreview_b = Agent(prompt=REVIEWER_PROMPT.format(...), description=\"Santa Reviewer B\")\nreview_c = Agent(prompt=REVIEWER_PROMPT.format(...), description=\"Santa Reviewer C\")\n\n# Both run concurrently — neither sees the other\n```\n\n### 评估标准设计\n\n评估标准是最重要的输入。模糊的标准会产生模糊的审查。每个标准必须有客观的通过\u002F失败条件。\n\n| 标准 | 通过条件 | 失败信号 |\n|-----------|---------------|----------------|\n| 事实准确性 | 所有声明均可根据源材料或常识验证 | 编造的统计数据、错误的版本号、不存在的 API |\n| 无幻觉 | 没有虚构的实体、引用、URL 或参考文献 | 指向不存在页面的链接、无来源的引用 |\n| 完整性 | 规格说明中的每个要求都得到满足 | 缺少章节、遗漏边缘情况、覆盖不完整 |\n| 合规性 | 通过所有项目特定的约束 | 使用禁用术语、语气违规、监管不合规 |\n| 内部一致性 | 输出内无矛盾 | A 部分说 X，B 部分说非 X |\n| 技术正确性 | 代码可编译\u002F运行，算法合理 | 语法错误、逻辑错误、错误的复杂度声明 |\n\n#### 特定领域评估标准扩展\n\n**内容\u002F营销：**\n\n* 品牌语气一致性\n* 满足 SEO 要求（关键词密度、元标签、结构）\n* 无竞争对手商标滥用\n* CTA 存在且链接正确\n\n**代码：**\n\n* 类型安全（无 `any` 泄漏，正确处理 null）\n* 错误处理覆盖\n* 安全性（代码中无秘密、输入验证、注入防护）\n* 新路径的测试覆盖\n\n**合规敏感（受监管、法律、金融）：**\n\n* 无结果保证或未经证实的声明\n* 存在所需的免责声明\n* 仅使用批准的术语\n* 符合司法管辖区的语言\n\n### 阶段 3：表现好坏（判定门控）\n\n```python\ndef santa_verdict(review_b, review_c):\n    \"\"\"Both reviewers must pass. No partial credit.\"\"\"\n    if review_b.verdict == \"PASS\" and review_c.verdict == \"PASS\":\n        return \"NICE\"  # Ship it\n\n    # Merge flags from both reviewers, deduplicate\n    all_issues = dedupe(review_b.critical_issues + review_c.critical_issues)\n    all_suggestions = dedupe(review_b.suggestions + review_c.suggestions)\n\n    return \"NAUGHTY\", all_issues, all_suggestions\n```\n\n为什么两者都必须通过：如果只有一个审查者发现问题，那么该问题是真实存在的。另一个审查者的盲点正是圣诞老人方法旨在消除的故障模式。\n\n### 阶段 4：修正直到表现良好（收敛循环）\n\n```python\nMAX_ITERATIONS = 3\n\nfor iteration in range(MAX_ITERATIONS):\n    verdict, issues, suggestions = santa_verdict(review_b, review_c)\n\n    if verdict == \"NICE\":\n        log_santa_result(output, iteration, \"passed\")\n        return ship(output)\n\n    # Fix all critical issues (suggestions are optional)\n    output = fix_agent.execute(\n        output=output,\n        issues=issues,\n        instruction=\"Fix ONLY the flagged issues. Do not refactor or add unrequested changes.\"\n    )\n\n    # Re-run BOTH reviewers on fixed output (fresh agents, no memory of previous round)\n    review_b = Agent(prompt=REVIEWER_PROMPT.format(output=output, ...))\n    review_c = Agent(prompt=REVIEWER_PROMPT.format(output=output, ...))\n\n# Exhausted iterations — escalate\nlog_santa_result(output, MAX_ITERATIONS, \"escalated\")\nescalate_to_human(output, issues)\n```\n\n关键：每轮审查使用**全新的智能体**。审查者不得携带之前轮次的记忆，因为先前的上下文会造成锚定偏差。\n\n## 实现模式\n\n### 模式 A：Claude Code 子智能体（推荐）\n\n子智能体提供真正的上下文隔离。每个审查者是一个独立的进程，没有共享状态。\n\n```bash\n# In a Claude Code session, use the Agent tool to spawn reviewers\n# Both agents run in parallel for speed\n```\n\n```python\n# Pseudocode for Agent tool invocation\nreviewer_b = Agent(\n    description=\"Santa Review B\",\n    prompt=f\"Review this output for quality...\\n\\nRUBRIC:\\n{rubric}\\n\\nOUTPUT:\\n{output}\"\n)\nreviewer_c = Agent(\n    description=\"Santa Review C\",\n    prompt=f\"Review this output for quality...\\n\\nRUBRIC:\\n{rubric}\\n\\nOUTPUT:\\n{output}\"\n)\n```\n\n### 模式 B：顺序内联（备用方案）\n\n当子智能体不可用时，通过显式上下文重置模拟隔离：\n\n1. 生成输出\n2. 新上下文：\"你是审查者 1。仅根据此评估标准进行评估。找出问题。\"\n3. 逐字记录发现\n4. 完全清除上下文\n5. 新上下文：\"你是审查者 2。仅根据此评估标准进行评估。找出问题。\"\n6. 比较两个审查结果，修复，重复\n\n子智能体模式严格优于内联模拟——内联模拟存在审查者之间上下文渗透的风险。\n\n### 模式 C：批量采样\n\n对于大批量（100+ 项），对每个项目都执行完整的圣诞老人方法成本过高。使用分层采样：\n\n1. 对随机样本（批量的 10-15%，最少 5 项）运行圣诞老人方法\n2. 按类型对失败进行分类（幻觉、合规性、完整性等）\n3. 如果出现系统性模式，对整个批量应用针对性修复\n4. 重新采样并重新验证修复后的批量\n5. 持续直到干净的样本通过\n\n```python\nimport random\n\ndef santa_batch(items, rubric, sample_rate=0.15):\n    sample = random.sample(items, max(5, int(len(items) * sample_rate)))\n\n    for item in sample:\n        result = santa_full(item, rubric)\n        if result.verdict == \"NAUGHTY\":\n            pattern = classify_failure(result.issues)\n            items = batch_fix(items, pattern)  # Fix all items matching pattern\n            return santa_batch(items, rubric)   # Re-sample\n\n    return items  # Clean sample → ship batch\n```\n\n## 故障模式与缓解措施\n\n| 故障模式 | 症状 | 缓解措施 |\n|-------------|---------|------------|\n| 无限循环 | 修复后审查者仍不断发现新问题 | 最大迭代次数限制（3 次）。升级处理。 |\n| 橡皮图章 | 两个审查者都通过所有内容 | 对抗性提示：\"你的工作是发现问题，而不是批准。\" |\n| 主观漂移 | 审查者标记风格偏好，而非错误 | 严格的评估标准，仅包含客观的通过\u002F失败标准 |\n| 修复回归 | 修复问题 A 引入了问题 B | 每轮使用全新的审查者来捕获回归 |\n| 审查者一致性偏差 | 两个审查者都遗漏了同一件事 | 独立性可缓解但无法消除。对于关键输出，添加第三个审查者或人工抽检。 |\n| 成本激增 | 大型输出上迭代次数过多 | 批量采样模式。每个验证周期的预算上限。 |\n\n## 与其他技能的集成\n\n| 技能 | 关系 |\n|-------|-------------|\n| 验证循环 | 用于确定性检查（构建、代码检查、测试）。圣诞老人方法用于语义检查（准确性、幻觉）。先运行验证循环，再运行圣诞老人方法。 |\n| 评估工具 | 圣诞老人方法的结果反馈给评估指标。跟踪圣诞老人方法运行中的 pass@k，以衡量生成器质量随时间的变化。 |\n| 持续学习 v2 | 圣诞老人方法的发现成为本能。同一标准上的重复失败 → 学习到的行为以避免该模式。 |\n| 战略压缩 | 在压缩**之前**运行圣诞老人方法。不要在验证过程中丢失审查上下文。 |\n\n## 指标\n\n跟踪以下指标以衡量圣诞老人方法的有效性：\n\n* **首次通过率**：第一轮通过圣诞老人方法的输出百分比（目标：>70%）\n* **收敛平均迭代次数**：达到\"表现良好\"的平均轮数（目标：\u003C1.5）\n* **问题分类**：失败类型的分布（幻觉 vs. 完整性 vs. 合规性）\n* **审查者一致性**：两个审查者都标记的问题与仅一个审查者标记的问题的百分比（一致性低 = 需要收紧评估标准）\n* **逃逸率**：发布后发现但圣诞老人方法本应捕获的问题（目标：0）\n\n## 成本分析\n\n每个验证周期，圣诞老人方法的代币成本大约是单独生成的 2-3 倍。对于大多数高风险的输出，这很划算：\n\n```\n圣诞老人的成本 = (生成代币) + 2×(每轮审查代币) × (平均轮数)\n不做圣诞老人的成本 = (声誉损害) + (纠正努力) + (信任侵蚀)\n```\n\n对于批量操作，采样模式将成本降低到完全验证的约 15-20%，同时捕获超过 90% 的系统性问题。\n",{"name":5,"origin":24,"description":7},"Ronald Skelton - Founder, RapportScore.ai","master","d6ca01da0f24a3b0e26e4a8b7b66cbd25d429f5d","skills\u002Feverything-claude-code\u002Fdocs\u002Fzh-CN\u002Fskills\u002Fsanta-method",0,"https:\u002F\u002Fgithub.com\u002FSriramGandhiS\u002FSkills","https:\u002F\u002Fgithub.com\u002FSriramGandhiS","https:\u002F\u002Fsriram.website\u002F","Curious guy who keeps tinkering until something works","2026-05-20 16:21:34",{"source":8,"skillName":5,"commands":35,"prompt":45,"zipAvailable":46},[36,39,42],{"tool":37,"command":38},"npx","npx skills add SriramGandhiS\u002FSkills --skill santa-method",{"tool":40,"command":41},"bunx","bunx skills add SriramGandhiS\u002FSkills --skill santa-method",{"tool":43,"command":44},"pnpm","pnpm dlx skills add SriramGandhiS\u002FSkills --skill santa-method","安装技能，技能地址：https:\u002F\u002Fgithub.com\u002FSriramGandhiS\u002FSkills\u002Fblob\u002Fmaster\u002Fskills\u002Feverything-claude-code\u002Fdocs\u002Fzh-CN\u002Fskills\u002Fsanta-method\u002FSKILL.md",true,[],[49,56,61,67,74,81],{"skillNo":50,"name":51,"nameZh":6,"description":52,"descriptionZh":6,"repositoryFullName":8,"ownerLogin":9,"ownerAvatarUrl":10,"ownerAccountNo":11,"ownerDisplayName":12,"repositoryNo":13,"starsCount":14,"licenseSpdxId":15,"licenseFileUrl":6,"sourceHtmlUrl":53,"categories":54,"keywords":55,"publishedAt":19},"01M732609EPJWV13PVTX3GT4TM","webgpu-threejs-tsl","Comprehensive guide for developing WebGPU-enabled Three.js applications using TSL (Three.js Shading Language). Covers WebGPU renderer setup, TSL syntax and node materials, compute shaders, post-processing effects, and WGSL integration. Use this skill when working with Three.js WebGPU, TSL shaders, node materials, or GPU compute in Three.js.","https:\u002F\u002Fgithub.com\u002FSriramGandhiS\u002FSkills\u002Fblob\u002Fmaster\u002Fwebgpu-threejs-tsl\u002Fskills\u002Fwebgpu-threejs-tsl\u002FSKILL.md",[],[],{"skillNo":57,"name":51,"nameZh":6,"description":52,"descriptionZh":6,"repositoryFullName":8,"ownerLogin":9,"ownerAvatarUrl":10,"ownerAccountNo":11,"ownerDisplayName":12,"repositoryNo":13,"starsCount":14,"licenseSpdxId":15,"licenseFileUrl":6,"sourceHtmlUrl":58,"categories":59,"keywords":60,"publishedAt":19},"01M7325XM47AGWB6K6C4VXKE6B","https:\u002F\u002Fgithub.com\u002FSriramGandhiS\u002FSkills\u002Fblob\u002Fmaster\u002Fwebgpu-threejs-tsl\u002FSKILL.md",[],[],{"skillNo":62,"name":63,"nameZh":6,"description":6,"descriptionZh":6,"repositoryFullName":8,"ownerLogin":9,"ownerAvatarUrl":10,"ownerAccountNo":11,"ownerDisplayName":12,"repositoryNo":13,"starsCount":14,"licenseSpdxId":15,"licenseFileUrl":6,"sourceHtmlUrl":64,"categories":65,"keywords":66,"publishedAt":19},"01M7325WP6DES69JKC840VMFEP","verification-loop","https:\u002F\u002Fgithub.com\u002FSriramGandhiS\u002FSkills\u002Fblob\u002Fmaster\u002Fweb-assets\u002Fdocs\u002Fzh-TW\u002Fskills\u002Fverification-loop\u002FSKILL.md",[],[],{"skillNo":68,"name":69,"nameZh":6,"description":70,"descriptionZh":6,"repositoryFullName":8,"ownerLogin":9,"ownerAvatarUrl":10,"ownerAccountNo":11,"ownerDisplayName":12,"repositoryNo":13,"starsCount":14,"licenseSpdxId":15,"licenseFileUrl":6,"sourceHtmlUrl":71,"categories":72,"keywords":73,"publishedAt":19},"01M7325TFQF1DZTQ6J3WGQQ1VR","tdd-workflow","Use this skill when writing new features, fixing bugs, or refactoring code. Enforces test-driven development with 80%+ coverage including unit, integration, and E2E tests.","https:\u002F\u002Fgithub.com\u002FSriramGandhiS\u002FSkills\u002Fblob\u002Fmaster\u002Fweb-assets\u002Fdocs\u002Fzh-TW\u002Fskills\u002Ftdd-workflow\u002FSKILL.md",[],[],{"skillNo":75,"name":76,"nameZh":6,"description":77,"descriptionZh":6,"repositoryFullName":8,"ownerLogin":9,"ownerAvatarUrl":10,"ownerAccountNo":11,"ownerDisplayName":12,"repositoryNo":13,"starsCount":14,"licenseSpdxId":15,"licenseFileUrl":6,"sourceHtmlUrl":78,"categories":79,"keywords":80,"publishedAt":19},"01M7325RGV9AY9PK92D2V8KKPW","strategic-compact","Suggests manual context compaction at logical intervals to preserve context through task phases rather than arbitrary auto-compaction.","https:\u002F\u002Fgithub.com\u002FSriramGandhiS\u002FSkills\u002Fblob\u002Fmaster\u002Fweb-assets\u002Fdocs\u002Fzh-TW\u002Fskills\u002Fstrategic-compact\u002FSKILL.md",[],[],{"skillNo":82,"name":83,"nameZh":6,"description":84,"descriptionZh":6,"repositoryFullName":8,"ownerLogin":9,"ownerAvatarUrl":10,"ownerAccountNo":11,"ownerDisplayName":12,"repositoryNo":13,"starsCount":14,"licenseSpdxId":15,"licenseFileUrl":6,"sourceHtmlUrl":85,"categories":86,"keywords":87,"publishedAt":19},"01M7325MZC28SE86E7NMCNEFS4","security-review","Use this skill when adding authentication, handling user input, working with secrets, creating API endpoints, or implementing payment\u002Fsensitive features. Provides comprehensive security checklist and patterns.","https:\u002F\u002Fgithub.com\u002FSriramGandhiS\u002FSkills\u002Fblob\u002Fmaster\u002Fweb-assets\u002Fdocs\u002Fzh-TW\u002Fskills\u002Fsecurity-review\u002FSKILL.md",[],[]]