source-audit
外部高风险 claim 与研究贡献审计。Use when: 数字、benchmark、因果、趋势、模型能力、 外部论文或会进入 docs/ADR/PPT 的结论。Not for: 低风险常识、只读官方原文且不外推、 已进入 deep-research 的重调研。Output: claim ledger + source / non-triviality / decision-fit 三轴 verdict + provenance。
- License 许可
- MIT
- 最近更新
- 2026-08-16
- Stars
- ★ 0
- Forks
- 0
01 前言 Front Matter
- name
- source-audit
- description
- 外部高风险 claim 与研究贡献审计。Use when: 数字、benchmark、因果、趋势、模型能力、 外部论文或会进入 docs/ADR/PPT 的结论。Not for: 低风险常识、只读官方原文且不外推、 已进入 deep-research 的重调研。Output: claim ledger + source / non-triviality / decision-fit 三轴 verdict + provenance。
- tips_exempt
- Existing audit quality contract refinement; no new user-facing capability or discovery moment.
03 SKILL.md 正文
Source Audit
Why This Is a Skill
F218 的事故不是模型凭空幻觉,而是外部不可靠信息源污染:多篇博客互引看起来像"多方验证",但最终回到同一个营销来源。这个 skill 把"这东西靠谱吗?"绑到引用外部 claim 的动作上,补 WebSearch 和 deep-research 之间的中档。
Trigger
准备把外部 claim 写进回复、research、PPT、ADR、spec 或 review 结论时,命中任一特征就跑:
- 数字 / 百分比 / x 倍增长 / benchmark 排名
- 因果归因("失败是因为...")或趋势判断
- 模型能力对比、论文结论、医学/金融/法律等高风险主题
- 来源会进入长期文档,影响后续猫的判断链
不触发:只回答低风险常识;只引用官方文档原文且不外推;已经按 deep-research 跑完整多源调研。
L0 判断力镜头:先换坐标系,再查细节
这两副镜头来自家里的 Magic Words,不是给审计再加一套平行术语,也不能凭感觉代替证据。 它们负责产生可证伪的反事实;一手来源、baseline、干预和 holdout 负责裁决。
第一性原理 / 数学之美
先把论文去品牌化并缩成最小问题:
- 它声称原系统缺少什么能力,而不是缺少哪个作者命名的模块?
strongest_cheap_alternative是什么:强模型直接做、一句静态 prompt、短规则、 deterministic tool、retrieval / cache,还是一次人工配置?- 实验是否在独立证据上击败了这个替代物?
- 如果没有,claim ceiling 降到“自动搜索 / elicitation / 工程集成”,不得写成 “获得新能力 / 证明自进化必要”。
补锅匠 failure-mode audit
看到连续局部机制、多个 fallback 或“再加一个 evaluator / generator / memory”时,不逐块 验完就默认整条路线合理。做一次有边界的同类审计:
- 写出这些补丁共同在代偿的原始 failure mode;
- 区分真实世界约束与论文自己引入的坐标系;
- 问一个更直接的表示、契约或静态策略能否同时删掉多层;
- 对保留的每一层写明“去掉后哪条已观测证据会坏”;
- 若作者只证明每块都能工作、没证明原问题存在或整套不可约,保留 source validity, 但下调 non-triviality 与 decision fit。
禁止把 Magic Word 当作否定论文的结论。“这像补锅匠”只能触发 failure-mode hypothesis;
没有替代方案、ablation 或证据边界,就不能写 reject。
Claim Ledger
先列 claim,再逐条审:
| Claim | Metric / comparator | Strongest cheap alternative / claim ceiling | Scope / denominator / exclusions | Lifecycle cost / unknowns | 原始来源 | Source verdict | Non-triviality verdict | Decision fit | Provenance |
|---|---|---|---|---|---|---|---|---|---|
| ... | ... | ... | ... | ... | paper / official / vendor blog / media / forum | ... | ... | ... | ... |
六问 Checklist
- 一手 or 二手? 追到原始论文、官方文档、实验报告或数据集。多篇文章互相引用不等于多方验证。
- 利益冲突? 卖产品/咨询/课程的一方说"这个问题很严重"要扣分,并标明动机。
- 方法可复核吗? Peer review、博客、营销页都只是来源属性;继续查样本、指标定义、 baseline、实验代码/数据、重复次数和不确定性。Peer-reviewed 不自动等于结论可复现。
- 时效性? 标清发布时间、测试年份、模型/版本。AI 领域旧模型数据不能直接论证新模型。
- 对象和决策匹配吗? 区分“这个结果在它测的任务上成立”与“它能支持我们的决定”。 写清目标 workload、用户群、系统版本和未覆盖能力;家里体感只负责触发冲突调查,不能 反过来当作否定外部结果的证据。
- 测量与账本边界清楚吗?(防 true-but-incomplete) 不要求证明一个不存在的“完整
世界账本”,而要重建足以支持当前决定的 scoped ledger:指标定义与 comparator;
分子、分母、排除项和自适应复用次数;系统边界、时间窗和生命周期成本(采集/预处理、
在线调用、cache read/write/miss、维护、人审);质量、覆盖、延迟、可靠性等联动结果;
测不到的项明确记
unknown。缓存收益必须按目标 provider/model/workload 的真实 usage 与计费规则测量,不能从“改了中间 context”直接推导“全 miss”或固定倍率。
口诀可以保留:一切命运的馈赠都暗中标注价码(operator 原话)。但口诀不是证据;边界、 观测值和 unknown 才是。
性能 / 成本 Claim 的最小执行格式
凡“更准 / 更快 / 更省 / SOTA”都要记录以下字段,但它们不是一张把两轴重新压平的 通过/失败清单:
measured_construct: 它实际测了什么
comparator: 与谁比;版本和配置是否同条件
population_and_denominator: 样本/请求/用户范围、分母、排除项
decision_boundary: 我们要据此做什么决定;目标 workload 和时间窗
lifecycle_ledger: ingest/extract + query/retrieval + generation + cache + maintenance/human
coupled_outcomes: quality + coverage/abstention + latency + reliability + risk
unknowns: 未报告或无法复核的项
研究贡献、Benchmark、Eval 或“自进化”claim 还要补:
exact_claim: 去品牌化后到底声称什么
evolving_object: weights / memory / skill / harness / judge / task / problem definition
strongest_cheap_alternative: 足以解释同一结果的最便宜可信方案
evidence_roles: development / selection / holdout / production
failure_mode_map: 各机制在修哪个根因;是否多层修同一个错坐标系
closure_map: task / generator / judge / value owner
claim_ceiling: 当前证据最多允许写到哪里
- Source verdict 的最低证据面:
measured_construct、comparator、population_and_denominator,以及六问中足以复核方法的证据。若 claim 自称“总成本”或 “端到端”,lifecycle_ledger也属于 measured construct 的定义。缺少这些 source-validity 证据时,Source verdict 最高只能use-with-caveat。 - Decision fit 的最低证据面:
decision_boundary、与该决定相关的lifecycle_ledger/coupled_outcomes,以及明确的unknowns。这些字段缺项不降级已成立的 Source verdict, 但 Decision fit 最高只能partial;若连决策边界或目标 workload 都未知,则为none。
Verdict(三轴,不压成一个总分)
Source verdict(claim 在它声称的范围内是否站得住):
use:方法与来源足以支持限定后的 claim。use-with-caveat:可用但必须附限制,例如二手、旧模型、小样本、账本缺项。reject:追不到证据、方法不支持结论、回声室互引,或 numerator/denominator 不成立。escalate-to-deep-research:claim 重要且证据冲突,单轮审计不够。
Non-triviality verdict(复杂机制是否展示了超出最低充分替代物的增量):
demonstrated:在合适的独立证据上击败强而可信的廉价替代物。not-compared:只击败 naive / 缺失 baseline,或没有排除 prompt、规则、retrieval 等解释。failed:廉价替代物已经匹配 / 击败该机制,或所谓进化只重新发现了预先可写出的规则。
这根轴不反向污染 Source verdict:论文可以真实、可复现,却没有证明其复杂性或“自进化” claim 的必要性。
Decision fit(它能否支持我们眼前的决定):
direct:对象、workload、约束和效用维度匹配。partial:只覆盖决策向量的一部分;明确哪部分可迁移、哪部分未知。none:claim 可能为真,但与当前决定正交或关键边界不匹配。
Provenance
聊天短行:
[一手/二手 | 来源类型 | 数据年份 | 适用对象 | 置信度]
docs/research / ADR / PPT 用 claim ledger 表。若 claim 被拒绝,也记录拒绝原因,防止后续重复捡回。
Common Mistakes
| 错误 | 后果 | 修复 |
|---|---|---|
| 把搜索结果当证据 | 被 SEO / 营销文带跑 | 搜索结果只算候选线索,必须追一手 |
| 多篇博客互引就说"多方验证" | 回声室污染 | 画引用链,找到共同源头 |
| 用旧模型数据论证新模型 | 对象错配 | 标测试模型/年份,只谈适用范围 |
| 只写 caveat 不改结论 | 弱证据仍污染判断 | verdict 决定表述强度;弱证据不能撑强结论 |
| 把公开 benchmark 分数当产品总效用 | 测量构念被偷换 | 先写 measured construct,再单独判 decision fit |
| 逐组件核验复杂 pipeline,却不问原能力缺口是否存在 | 每块都真实,整项贡献仍可能是补锅 | 触发补锅匠 failure-mode audit,找共同根因与可删层 |
| 只与 naive baseline 比就声称“进化获得能力” | 把自动发现 / elicitation 抬成新能力 | 过第一性原理 / 数学之美,补 strongest cheap alternative 与 claim ceiling |
| 把 Magic Word 当负面 verdict | 用家里审美代替外部证据 | Magic Word 只生成反事实;由 baseline、ablation、holdout 裁决 |
| 宣称“完整账本”却不写边界和 unknown | 用完整感掩盖选择性记账 | 固定 workload / 时间窗 / 生命周期,未知项显式保留 |
| 把联动风险写成必然因果 | 用一个营销故事替换另一个 | 记录待测机制;用 provider usage / billing / A-B 数据验证 |
| 每个低风险事实都跑全表 | friction 过高 | 只对高风险 claim 跑 ledger |
Pressure Test
MemU 65% 事件:输入多篇互引博客声称"65% 企业 AI 失败归因 harness 缺陷"。合格输出必须追到营销博客源头,识别商业利益冲突,不能把互引当独立验证,verdict 至少是 use-with-caveat,若没有一手证据则 reject。
True-but-incomplete 事件:供应商声称“recall 输入从 10k 降到 2k,节约 80% token”。
合格输出可以接受“该次 recall payload 降 80%”,但不得升级成“系统总成本降 80%”;必须
补 extraction/ingest、query、generation、cache write/read/miss、质量/覆盖和人工维护,
缺数据记 unknown,再给独立的 decision-fit verdict。
自进化沟通策略事件:论文用 rollout / reflection 找到“模糊问题用文本、结构化字段用 UI”,
但没有在 untouched holdout 上击败一句强静态规则。合格输出可以给限定后的 Source verdict
use,但 Non-triviality verdict 必须是 not-compared,且不得把“搜索环能找到策略”升级成
“只有自进化才能获得该能力”。
Related Skills
deep-research:重调研管道。source-audit 发现重要 claim 证据冲突时升级过去。memory-search-best-practices:查家里历史来源图谱时使用;source-audit 只管外部 claim 的信源卫生。
04 同仓库更多 Skills
plugin-reconcile-skill
暂无简介
weixin-mp
通过 Limb 体系操作微信公众号:发布文章、上传图片、管理草稿。 Use when: 需要发布内容到微信公众号、查看草稿、检查公众号连接状态。 Not for: 其他平台的发布、纯文本聊天、非公众号相关操作。 Output: 微信公众号操作结果(发布ID、草稿列表、图片URL等)。
writing-skills
创建或修改 Clowder AI skill / MCP tool description 的元技能(含质量标准、范本、发布)。 Use when: 写新 skill、修改现有 skill、写/改 MCP tool description、验证 skill 质量; 或者功能实现中产出了 SKILL.md / cat-cafe-skills/ 新目录 / manifest.yaml skill 条目。 Not for: 使用 skill(直接触发对应 skill)。 Output: 新/更新的 SKILL.md + manifest 条目 + symlinks。 GOTCHA: 软硬同重——skill/MCP 质量 = 代码质量;不要写模型已知的通用教程,先过价值门禁。
writing-plans
将 spec/需求拆分为可执行的分步实施计划。 Use when: 有 spec 或需求,准备动手前需要拆分步骤。 Not for: trivial 改动(≤5 行)、已有详细计划。 Output: 分步实施计划(含 TDD 步骤和检查点)。
worktree
为代码、脚本、API 与第一方执行面创建隔离 Git worktree,并配置 Redis 6398;classifier 放行的 co-creation docs direct push 不进入本流程。
workspace-navigator
猫猫把“打开文档、代码或日志”等模糊意图解析成本地绝对路径或 worktree 相对路径,并返回 applied、queued、blocked 或 unconfirmed 的真实 Workspace 投递状态。