10 分制评分工作流：把作品逐轮打磨到目标分数的完整方法（Skills 仓库 workflow-score-to-target 实战指南）

导读

当用户以数字设定质量门槛——"把它做到 8/10"、"把低于 6 的全都提到 6 分以上"——Agent 需要的不只是一个分数，而是一整套可重复的执行流程：锚定评分标准、逐项诚实打分、按轮次改进、用证据证明达标、并把分数沉淀为可回归的测试与记分卡。本文以 Skills 仓库中workflow-score-to-target技能文档为核心，结合其配套模板与仓库内的真实落地案例（3D 木材光照评分卡），完整讲解这套"评分到目标"工作流的每个环节。读完你可以直接复制这套方法，用于游戏、UI、3D 场景、动画等任何可被评分与迭代的工作。

一、技能定位：什么时候触发这套工作流

workflow-score-to-target的 frontmatter 将其适用场景定义得非常明确：只要用户要求对作品以 10 分制评分、评级、打分、判定，并且命名了目标分数，或提出"做到几分才算好（what would make this a 9?）"，就应当启动它。典型的用户原话包括：

• "score them out of 10. let's get them to 8 out of 10"（全部做到 8 分）
• "anything less than 6 out of 10, get them to 6+"（低于 6 的全部提到 6 分以上）
• "give it a score out of 10. get at least 8"
• "make it 8 or 9 out of 10"

技能文档反复强调的核心立场是：任务不只是打出一个分数，而是达到门槛、证明达到门槛、并如实说明哪里还差（The job isn't just the score; it's reaching the bar, proving it, and saying plainly where it falls short）。这决定了后续所有步骤的设计。

该技能属于仓库agent-skills/workflow/README.md描述的"工作流技能"家族——它是用户在每个线程里反复强调的"家规"被固化成可执行流程的产物，与workflow-progress-screenshots（进度截图）、workflow-ship-change（变更发布）、workflow-threads-manager（线程管理）协同使用：先用截图展示进展，用户命名门槛后用评分工作流逐轮逼近，达标后再走发布流程。

二、第一步：锁定目标与待评分条目

正式打分前，必须先消除歧义：

1. 复述门槛：明确目标是 6、8 还是 9，并且确认它是作用于每一个条目还是平均值。文档特别强调："Get them to 8" 意味着每一个条目都要达到 8 分，而不是平均分到 8。
2. 列出所有待评分条目：每个技能、每把武器、每个屏幕元素、每个对象，都必须逐一分列，逐一打分，绝不能当成一个整体打一个分数（never as one blob）。
3. 命名基准（benchmark）：用户拿什么作为参照——具体的游戏、网站、产品。文档明确说："A 7 means nothing without one"——没有基准的 7 分毫无意义。基准必须在文档、记分卡中写明，它决定了"8 分"到底指什么水平。
4. 把一次性门槛固化为常设规则：用户设置过一次的门槛，就是该类工作的长期标准（a standing rule）。应当把它记录在未来工作能看到的地方——项目说明（project instructions）、记忆（memory）或测试（a test）中。这为后面的"固化（Lock it in）"步骤埋下伏笔。

三、第二步：打分前先锚定评分标准（rubric）

评分标准必须先写下来，否则"分数每轮含义不同"，改进就没有意义。技能文档给出了默认的 10 分制锚点表，这也是所有后续打分的语义基准：

3.1 把每个条目拆成 3–5 个"0–2 分"的标准

锚点表只定义了"整体分数"的语义，但整体分缺乏可操作性。文档要求把每个条目拆成3–5 个标准（criteria），每个标准 0–2 分，这样总分天然是 10 分制，而且每一个点都有理由。0–2 分制的好处是每个标准只有三档（坏了 / 能用但有明显缺陷 / 打磨到位），判定边界清晰。

文档给出了三个领域的具体拆分示例：

• 动画（Animation）：重量感与节奏（weight and timing）、身体力学（body mechanics）、最终姿态（final pose）、道具（props）、背景与变化（context and variety）。
• 技能或法术（A skill or spell）：规则（有自己清晰的职责）、悬停提示（hover，展示落点与数值）、施放表现（cast，自己的姿态、特效和音效）、以及留下的可见痕迹。
• 对象（An object）：在游玩距离上的剪影可读性（silhouette at play distance）、材质与细节（material and detail）、是否契合场景设定（fitting its setting）、可读性（readability）。

3.2 能测的必须测：用数字阻止分数漂移

文档的核心原则是：凡是能量化的标准，就必须测量。示例包括：

• 脚步滑动不超过移动速度的 10%（foot slide under 10% of travel speed）；
• 武器穿模用毫米计（weapon clipping in millimetres）；
• 40 个随机种子上的胜率达到 48%（a 48% win rate over 40 seeds）；
• 下载包体 28 MB。

理由一句话：数字能阻止分数随情绪漂移（Numbers stop the score drifting with mood）。测量值（0–2 或 0–10 的分档锚点）应当在写 rubric 时一并确定，之后每轮用同一套标准、同样的测量方式复测。

四、第三步：基于真实证据诚实打分

这一节决定了整个工作流的可信度：

1. 只从真实产物评分：分数必须来自对实际作品的渲染（renders）、录屏（recordings）或测量（measurements），绝不能凭代码或记忆打分。要先捕获状态，这正对应仓库中workflow-progress-screenshots技能的职责——用真实截图（headless 捕获或浏览器视口）把作品状态固定下来作为证据。
2. 改动前先测基线：任何修改之前，先对现状打分。"前后对比（before→after）"本身就是达标证明（The before→after is the proof）。基线缺失，改进就无从谈起。
3. 关键场景要独立评审（independent judging）：把捕获的素材交给一个没有参与制作的全新子 Agent，给它 rubric 和基准，但不给它你的期望和之前的分数（not your hopes or the previous scores）。每个条目尽量安排两位盲评（blind judges），取较低分或对差异进行调和。这是对抗"自评漂移"最有效的手段。
4. 绝不四舍五入凑达标线：文档明确写道："Never round up to reach the bar. A 7.5 on an 8 bar is below the bar."——目标是 8，7.5 就是未达标，不能因为"差一点"就进位。

五、第四步：逐轮改进（Improve in rounds）

评分不是终点，改进循环才是。文档给出了标准轮次流程：

1. 先修最低分条目，且在每个条目内先修扣分最多的那个标准（Fix the lowest items first, and the criterion costing the most points in each）。
2. 重新捕获、重新评分，而且只能用同一套 rubric 和同一套评审设置，否则前后分数不可比。
3. 每轮发一张图（起点与结果），并带上分数变化，例如："Hollow Keeper 3 → 6 → 8"。这再次与进度截图技能衔接——每轮发图既是证据也是汇报。
4. 停止条件：当每个条目都达标，或某个条目因为任务之外的原因（模型能力上限、美术资产缺失、性能预算）而陷入平台期时停止。对未达标条目要如实报告：原因是什么、要达到它需要什么条件。
5. 爬升时保持护栏（guardrails）：不能为了抬高一个数字而牺牲性能预算、测试或其他条目的分数。任何做出的权衡（trade-off）都必须记录。

六、第五步：固化（Lock it in）

达标之后，成果必须被固化，防止悄悄回退：

1. 凡是机器可校验的门槛，就加测试：例如"七种姿态下武器都不穿出身体"、"技能有自己的姿态和卡片"、"胜率至少 90%"。测试让门槛成为常设规则，与第一步"standing rule"呼应。
2. 把记分卡存档到项目中：例如qa/<area>/README.md，内容包括 rubric、每个条目的前后分数、证据和日期。文档特别说明：未来每一轮都从这张记分卡出发（Future rounds start from it）。仓库提供了现成的记分卡模板agent-skills/workflow/workflow-score-to-target/templates/scorecard.md。

七、汇报（Report）：以结果为纲，诚实收尾

最终汇报的结构在文档中有明确规定，且有配套模板：

• 先给结论数字："All 49 now score 8 or better; 38 started below 8; the average rose from 6.7 to 8.1."（49 个条目全部 8 分以上；其中 38 个起点低于 8；平均分从 6.7 提升到 8.1）。结论前置，不用用户翻到最后。
• 一张表：条目、before → after、修复的主要缺陷（或仍未达标的原因），见templates/scorecard.md。
• 说明评分方式：用了什么 rubric、什么基准、谁评的（自己 / 独立子 Agent / 双盲评审）、基于什么证据。
• 说明不完美之处：正好达标或刚过线但仍有已知瑕疵（nits）的条目，以及任何仍在门槛之下的条目。
• 放图：每个条目的前后对比图，或每轮的对比图。
• 诚实标注：说明分数是判断（judgements）、哪些标准是测量的、对截图证据做如实标注（例如 headless 捕获还是浏览器视口）。

7.1 记分卡模板详解

templates/scorecard.md提供了可直接填充的存档结构，字段包括：

• 头部元信息：日期、基准（Benchmark）、评审者（self / independent subagent / 2 blind judges）、证据存放位置。
• Rubric 表（0–2 分 × 3–5 个标准）：每个标准的三档描述——0（broken）、1（works, visible flaws）、2（polished）。
• Measured checks：量化检查清单，如"foot slide < 10% of travel speed; clip < 5 mm; win rate ≥ 90% over 40 seeds"。
• Scores 表：条目、Before、After（达标项加粗）、修复的主要缺陷、测量值、证据路径；未达标条目在 After 列写明 "still short: <原因、所需条件>"。
• Result 行：<k> of <n> at or above <N>，平均分 before → after。
• Rounds 表：每轮改了什么、该轮后最低分条目。
• Known nits at the bar：达标但仍有小瑕疵的清单。

7.2 独立评审提示词模板详解

templates/critic-prompt.md是可粘贴给新子 Agent 的评审提示词，完整实现了文档的"独立/盲评"要求：

• 声明评审者身份："你没有参与制作，只根据你看到的来评判"（judge only what you see）。
• 给定基准（Benchmark）、目标分数（every item must reach N/10）、10 分锚点（含 10 / 8 / 7 / 6 / 5 及以下五档精简版）。
• 列出 0–2 分 rubric 的 5 个标准。
• 明确证据清单（每个条目的图片/视频/测量文件路径），并要求"先打开每个文件再打分"。
• 要求每个条目返回：每个标准的分数与总分、扣分最重的单一缺陷及修复建议、以及哪些点无法从证据判断。
• 硬性规则："Do not round up. Do not assume anything the evidence doesn't show. Keep each item to five lines or fewer."（不四舍五入、不臆测证据之外的东西、每个条目五行使内）。

八、仓库实战：3D 木材光照评分卡如何完整落地这套工作流

workflow-score-to-target不只是纸面流程，仓库中的3d-wood-lighting-scorecard示例就是这套工作流的完整工程化实现：一个暗室中打光的木材场景，被拆成 8 个评分条目（Materials & grain、Key/fill contrast、Shadows & contact、Volumetric shafts & dust、Background rays、Colour & tone mapping、Texture resolution & texel density、Specular & roughness realism），目标是每个条目达到 8/10。

8.1 锚定 rubric：每个条目都由可测量的子指标构成

references/rubric.md实现了文档"能测的必须测"原则：每个条目由 2–4 个可测量子指标构成，每个子指标通过三个锚点[v@3, v@6, v@9]映射到 0–10 分，锚点之间线性插值、超出后截断。例如：

• Materials & grain条目：grainContrast（1–8 px 带通标准差/均值，锚点 0.006/0.022/0.05）、grainAniso（跨纹/顺纹梯度能量比，1.1/1.9/3.2）、toneVar（29 px 模糊标准差/均值，0.008/0.035/0.08）；
• Shadows & contact条目：shadowRatio（受光/阴影线性比，1.6/3.5/7）、contactDark（接触带/开放台面比，越低越好）、penumbraMono（从接触点单调上升的半影占比）、contactGap（底部亮缝，越低越好）。

rubric 文档还明确了"锚点改一处必须两处同步改并重跑基线与消融，否则分数失去意义"，这正是文档"同一套 rubric 才能前后比较"的工程化约束。

8.2 可复用的评分引擎：metrics.js

references/metrics.js是一个可在页面（window.KiboriMetrics）和 Node（require）双端运行的无依赖评分模块，输入是一帧 RGBA 字节 + 以帧宽高分数表示的区域，输出每个子指标、每个条目的得分和总分。它的核心anchor()函数实现三锚点线性映射：

// a = [v3, v6, v9]，锚点之间线性、之外截断到 0..10 let s = (v - a3) / (a6 - a3) <= 1 ? 3 + 3 * (v - a3) / (a6 - a3) // 3..6 区间 : 6 + 3 * (v - a6) / (a9 - a6); // 6..9 区间 s = clamp(s, 0, 10);

它同时支持"过高也不对"的封顶（cap）机制——例如shaftDelta超过 35 说明光束把房间洗白了，分数会随过曝而下降。评分区域通过KiboriScore.regions()从世界点经实时相机投影得到，换场景只需重写区域函数，而不是改指标。

8.3 机器可回归的测试：scorecard.mjs

references/scorecard.mjs把整套流程脚本化，直接对应文档"Lock it in"和"加测试"的要求：

• 用 Playwright headless Chromium 打开 demo 页，单帧渲染 + 单任务读回 RGBA；
• 依次评分"全层开启"、"平面基线（所有质量层关闭）"，并对每个质量层做消融（ablation）——关闭该层重测，量化每层对总分的贡献；
• 计算 shimmer 指标（半像素平移前后差异比，检测预过滤是否到位）与渲染成本（60 帧的 median/p90 毫秒）；
• 汇总short列表（低于--target的条目及扣分最重的两个子指标）；
• 以退出码表达测试结果：任一条目低于目标即exit 1，全部达标才exit 0，输出PASS/SHORT与逐条分数。

运行方式（需npm i playwright-core与一个 Chromium）：

node scorecard.mjs --url URL --target 8 --size 1440x900 --dpr 1 --out scorecard.json

8.4 真实记分卡：before → after、消融与诚实报告

references/last-scorecard.json是一次真实运行产物，完美展示了文档要求的"前后对比 + 诚实报告"：

• 基线 vs 全开：全层关闭时总分仅3.73（最低条目 0.75）；全层开启后总分8.81（最低 6.52），目标 8；
• 未达标如实列出：short数组标记spec（高光与粗糙度真实感）为 6.52 未达标，并给出扣分最重的两个子指标（hlBreakup=0.01 → 4.29、sheenSpread=1.3228 → 6.11）；
• 整体pass: false：这正是文档"7.5 在 8 的门槛下就是未达标"的工程体现——总分 8.81 很高，但有一个条目 6.52，所以测试不通过，改进轮次继续；
• 消融结果被如实报告而非掩盖：env（环境反射）层的消融 drop 为-0.14，即关掉它总分反而上升 0.14。rubric 文档明确说明这类结果"要报告而不是调掉"（reported, not tuned away）——它说明该层提升了阴影但指标衡量的是别的东西，或者该层没挣回成本。这正对应文档"Note any trade-off you made"与"报告不完美之处"的要求。

值得一提的是，rubric 文档还给出一个与主文档"平台期停止"呼应的结论：spec 条目的两个提升杠杆（clearcoat 与各向异性）会遮盖木纹或弄糊雕刻，在 2 倍裁剪下被当场否决，因此该条目平台在 6.5–7.4——这是"因任务外原因（美术权衡）停止并对未达标条目给出原因与所需条件"的实例。

九、与其他工作流技能的协同

根据agent-skills/workflow/README.md的说明，这套流程嵌入在更大的工作流链条中：

1. 从第一个可用版本起，用progress screenshots持续展示真实截图；
2. 用户命名门槛后，用score to target逐轮评分改进，每轮带图；
3. 达标后走ship change发布；
4. 最后由threads manager审计每个线程是否都按此方式闭环（上 main、变更日志带图、已上线、已归档）。

这意味着workflow-score-to-target的输出（记分卡、前后截图、未达标清单）不只是报告，更是下游"发布"与"审计"环节的输入证据。

结语

从锁定门槛、锚定 rubric、真实证据打分、独立盲评、逐轮改进，到测试固化与存档记分卡，workflow-score-to-target提供了一套完整且可复制的"评分到目标"方法论。它最值得借鉴的三点：基准先行（没有基准的分数没有意义）、能测必测（用数字阻止分数随情绪漂移）、诚实到底（不四舍五入、不掩盖平台期、如实报告权衡）。仓库中 3D 木材评分卡示例证明：这套流程完全可以工程化为"指标 → 锚点 → 自动化评分 → 退出码测试 → JSON 记分卡"，在 Codex、Claude、Cursor 等各类 Agent 的工作流中反复复用。