DELPHI-CLONE · 面试作品讲解

把真人蒸馏成
可对话的数字分身

Distilling a real person into a conversational digital mind

宝明 · inbound 自克隆平台 · 代本人 7×24 答受众 · 2026-07

Why this project

复刻起步，砍刀定形

Clone to learn, cut scope to define the product

clean-room 复刻 Delphi.ai：机制借鉴、代码 100% 原创。拆 4 份 teardown + 50 张产品实拍定内核；范围上先砍三刀——每一刀都是产品决策。

✂ 砍掉 outbound 外呼Inbound only

只做 inbound：受众主动来找分身。场景干净、冷启动不靠骚扰、合规面减半

定位三边界 ①（ADR-0001）

✂ 砍掉代配他人Self-clone only

只本人自配（self-clone）：数据授权与人格权都在本人手里

定位三边界 ② · 对齐 NO FAKES Act + 《深度合成规定》

✂ 砍掉双边市场Single-sided tool

单边创作者工具：不碰流量分发，价值闭环只有专家↔受众两端

定位三边界 ③ · 不养平台侧

演进 · FOUR DONE, ONE AHEAD

从像语气，到能证明像——下一格是能办事

From mimicking tone, to proving fidelity, to getting a whole job done his way

system_prompt你是李宝明说话简洁 · 爱举例第一人称作答

人设 promptPersonality prompt

→

chunks/c13小米 · 小爱同学 smartHome 2020.04- score 0.79

语料 RAGCorpus retrieval

→

assertions/C_boundaryclaim「链条空转」 grounding: inferred confidence: 0.6

心智蒸馏Mind distillation

→

holdout.json_note: 禁入检索/训练集 real_answer: 「在海纳…」 fidelity 4.93 vs 4.29

保真可度量Measured fidelity

→

skills/analyze-company/SKILL.md · 任务型整包装载 step 2 判据 [assertion:B-…] step 5 边界 [assertion:C-…] 无溯源步骤 → 编译期拒绝

心智编译Compiled procedure已立项 ADR-0039

三家融资竞品（$100M / $51M / $18M）全停在第三格——我在第四格；第五格是路线图：从引用他的观点到按他的方式做完一件事

先把这个品类的演进说清楚，你们才知道我站在哪一格。第一代是人设 prompt，system prompt 里写「你是谁、你怎么说话」——只有语气，问到具体事就露馅。第二代是语料 RAG，市面上绝大多数数字分身产品都在这一代：把文章播客切块进向量库，我用的是本地 bge 中文 embedding、余弦阈值零点四、top-k 六，检索命中了照着说。屏上这条是我库里的真 chunk，c13，我简历里小米那段，零点七九分被召回。它能让分身「知道他说过什么」，但两个天花板：本人没写下来的判断它永远不知道，单点观点像、让它完整干一件事就散架。第三代是心智蒸馏，delphi-clone 补的层——不只存他说过的话，还要蒸他的判断方式，屏上是一条真断言：边界桶，claim 是「链条空转」，grounding 标 inferred、置信零点六。注意第三代还捎带解决了语气：不是靠 prompt 里写「你说话要像他」，是从真实反馈里蒸出腔调断言，流畅度从二点七九提到四点七一就是这么来的。第四代是我认为真正的分水岭，也是我最重的下注：保真可度量。屏上这个文件是 holdout 信封，文件头写死禁入检索和训练集，里面是真人的真答案，分身全程看不到——有了它，「像不像」才第一次有客观分数，我的四点九三对原版四点二九。底下这行是我调研三家融资竞品得到的结论：一亿、五千一百万、一千八百万美金的三家，全停在第三格，没有一家做保真度量。最后这个虚线格是路线图，我先预告一句：前四格解决的都是「答得像不像、能不能证明」，但受众问「按你的方法完整分析一家公司」的时候，一条条独立断言拼不出流程——步骤顺序、每步判据、边界挂载点全缺位。第五格叫心智编译：离线把 B 桶高置信断言加 C 桶护栏编译成任务级 SOP，落成一个 markdown skill 包，任务型请求整包装载。它守的还是同一条契约——每步尾注断言 id，编译期强制校验，没有溯源的步骤直接拒绝，编译不许无中生有加步骤；而且运行时只装载零改写，要改只能重编译再过人审。首个目标是「分析一家公司」。追问弹药，这条我主动讲最有说服力：这一格现在连度量都还没有——我勘察过 holdout 里现存十二道题全是单点事实和边界题，没有一道任务型真答，所以 ADR 里写死了前置条件：任务型 holdout 至少五题、owner 确认真答之后才准开工。也就是说我给自己的新 feature 也设了评测前置闸，这跟等下 takeaway 里那条「评测先行」是同一条纪律，不是说给你们听的。这一格还没建成，它对应的正是下一页痛点墙里的第六个问题，我先把问题铺开。

数字分身的六个真问题

Six real problems of digital clones

编造Fabrication

资料没有也硬答，替本人说他没说过的话

实测：Delphi 原版把运行平台当雇主、把读过的文章当亲身经历

知识的诅咒Curse of knowledge

本人最值钱的判断，往往自己想不起来说，永远不在语料里

真访谈：「破例边界」在第二层追问才出现（见决策②实录）

追问深度Probing depth

AI 访谈赛道公认第一短板：钻两层就停，深洞见被腰斩

Listen Labs $100M 赛道通病 · 我方 max_depth=2 也踩了

保真无法度量Unmeasured fidelity

「像不像」全凭感觉，没有对真人真答的客观分数

三家融资竞品（$100M/$51M/$18M）共同空白

不进化No self-improvement

答错的问题下次还错，每天的对话不回流成能力

现状：对话全量落库但曾长期沉睡（记忆体系立项动因）

碎片拼不出流程Fragments ≠ workflows

单点观点像；「按你的方法完整分析 X」就散架

心智编译层（F36）的立项动因

全场论点 · THE THESIS

「像」和「真」冲突时，我选真

When sounding like him conflicts with being true to him, truth wins — and it is a mechanism, not a slogan

萃取结构化可溯源——每条断言带出处、置信度、grounding 三态决策 ②

作答不编造强契约——五道闸，零命中即拒答决策 ①

验收对真人真答度量——holdout 隔离，判分函数禁止自评决策 ③

这三条就是接下来四个决策的全部内容——每一条都是「选真」在一个环节上的兑现；第三条是三家融资竞品的共同空白，也是我最重的下注。

4.71 / 5 · 流畅度「像」的刻度 — 2.79 → 4.71
靠 D 表达桶从真实反馈蒸出的腔调

0 条编造 / 9 道陷阱题「真」的刻度 — 消融探针实测
无据即拒答，拒得像本人

两个数字必须同时成立——只要「像」会编造，只要「真」像念说明书。这就是这个产品的全部难度。

六个问题背后其实是同一个张力，这页是我今天全场的论点，后面所有机制都挂在这句话上：「像」和「真」冲突的时候，我选真。左边三行是这句话的三次兑现，也正好是接下来的三个决策：萃取环节，萃取物必须结构化可溯源，每条断言带出处、置信度、grounding 三态；作答环节，不编造强契约，五道闸，检索零命中就拒答；验收环节，保真必须对真人真答度量，判分函数里禁止自评。右边是这个张力的两把尺子。上面是「像」的刻度：流畅度从二点七九到四点七一，靠的是 D 表达桶——从我给分身的真实反馈里蒸出来的腔调断言，不是 prompt 里写一句「你要像他」。下面是「真」的刻度：九道陷阱题零编造，这是消融探针的实测基线。关键在最后这句：两个数字必须同时成立。只要「像」，它会开始替我编我没说过的话；只要「真」，它会变成一个念说明书的检索机器人。同时成立才叫数字分身，这就是这个产品的全部难度。追问弹药：如果被问「那你怎么权衡」——我的答案是不权衡，选真是排序不是配比：先守住不编造的底线，再在底线之内把像做到最好；D 表达桶之所以敢不锚事实，正是因为 A、B、C 三桶把事实锁死了。往下四页，一页一个决策，每个决策我都带机制和真实数据。先看输入面：知识是怎么进来的。

输入层 · INTAKE

源可以多，管线只有一条

Many sources, one pipeline — distilled twice, into two knowledge faces

四类源 · 都从这进

文件简历 → 19 chunkprofile

文章 URL 48 页 → 960corpus

笔记 / 问答 CLI · webcorpus

账号源 OAuth 增量feeds

→
统一入口
无 per-source 分支

一条管线 · 蒸两次

① 切块 · embedding~200 字/块 · overlapbge-small-zh · dim512

② 四道闸 · 萃取无源 chunk 不产出 · 只抽明确陈述每源 ≤8 条 · tripwire 余弦 ≥0.25

换的是参数不是分支 profile · 16 条 · 0.80 · durable corpus · 8 条 · 0.75 feeds · 4 条 · 0.70 · current 90d 衰减

→
双产出
作答时并联

两个知识面

chunks 向量库 ×988原文原样 · 供引用出处 citations 锚在这里

四桶 typed 断言库A ← 采集萃取（本页这条线） B / C ← 访谈折叠 · 下一页 D ← 反馈蒸馏 · 管腔调

本页真跑chunk c13 → 6 条 A_fact 全带 refs
baoming-001-A-375c3556 · conf 0.75

feeds 画像的两个否决主题槽用固定枚举（focus / employer / project）——否决 LLM 产槽名，槽名一漂替换就失灵；否决 valid_until 硬过期——那需要预知未来F25 / F26 已立项 · ADR-0029

存量诚实988 条存量 chunk 不回填，只对新采集生效✓ 代码在库

先看知识怎么进来。左边四类源：文件走 pypdf，我的简历十九块就是这么进来的；文章 URL 走 trafilatura 抓正文，我自己网站整站四十八页九百六十块；笔记和问答对走 CLI 和 web 双入口；第四类账号源，OAuth 云文档和动态流，现在只是注册桩还没接萃取，但方案已经过闸了——每个源右边那个标签就是它走哪套画像。为什么动态流不能跟前三类同参数：一条动态往往是「我最近在看什么」，它是当下状态不是长期事实。所以 feeds 画像四个参数全不一样，中间这行写着：每源只抽四条而不是八条，动态流噪声大要筛严；置信零点七；时效语义标 current，召回时按九十天半衰期衰减；而简历那类标 durable，只可被替换、不衰减。一句话，这条管线换的是参数不是分支。关键是中间这一步：不管哪类源进来，走的是同一条管线，没有 per-source 的特殊分支。管线里蒸两次——第一次切块加 embedding，进向量库；第二次是正文过四道闸萃取，四道闸分别是：没有源 chunk 出处直接不产出、prompt 只允许抽原文明确陈述的不推断不补全、一行一条每源最多八条防长文档爆断言、最后 tripwire 拿每条 claim 跟原文算余弦，低于零点二五说明抽出了原文没有的实体，当幻觉丢掉。右边是双产出，也是这页最想让你们记住的：同一批语料出两个知识面。chunk 面存原文原样，作答时供引用，citations 锚的就是它；断言面存结构化断言，四个桶各有来路——A 桶来自采集萃取，就是本页这条线；B 和 C 来自访谈折叠，下一页整页讲；D 来自反馈蒸馏，管腔调。底下三条：本页这条线是真跑的，c13 那块简历过一遍萃出六条 A_fact 断言，全带 refs 可以回原文核对，屏上这个 id 是真实运行输出。中间这条是 feeds 方案里我主动否决掉的两个设计，比参数值本身值钱：第一，主题槽用固定枚举——current_focus、current_employer、current_project 三个槽，我否决了让 LLM 自己产槽名，因为槽名一漂移，新断言就替换不掉旧的，整个替换机制直接失灵；第二，否决 valid_until 硬过期，因为设过期时间需要预知未来，我改用衰减加槽替换。背后是同一条判据：错误的合并比错过的合并伤害大——错合并会废掉一条还活着的真断言，而错过合并只是多留一条旧的。追问弹药：为什么不给每类源写专门的萃取分支——管线越少，防编造契约越好守，画像是一张可打印可审计的参数表，将来还能挂 autoevolve 自动调参；策略和机制分离是 ADR-0029 的主决策。第三条是诚实标注：存量九百八十八块不回填，每块过一遍 LLM 的钱不值得为沉睡语料花，只对新采集生效。这是有出处的事实怎么进来；下一个决策讲没出处的判断怎么挖出来。

决策 ①

宁可拒答，不许编造

Refuse rather than fabricate — truth over eloquence

有据之路 · 真实 trace（E12 修复后）

Q 你在小米做过什么？

检索 · 余弦 ≥ 0.40（floor 0.30 保底）简历「小爱同学 smartHome」 ✓ 过闸简历「智能家居语控 · IOT」 ✓ E12 补齐召回父块供料 n_parents=3 · personal 保底

生成 · grounding 三态契约个人事实🔒材料有才说 · 通用✅限领域内发挥度 strict / balanced / predictive

「小爱同学的端侧对话体验…具体做到什么程度，我没详细记录」0.85

无据之路 · 同一套闸

Q 你今天午饭吃了什么？

检索 · 零命中→ 触发拒答闸（唯一确定性拒答点）「这个我确实没相关记录，就不替自己编了」

「我没记录，所以我也不会给你瞎编一个『今天吃了牛肉面』出来」0.85

有据 · 溯源作答答准还认怂——数字没底就直说没记录

无据 · 像本人一样拒答拒答话术走 D 桶腔调，拒得也像他

第五道闸 token-锚定后校验：设计完成 → 消融探针裸基线 9 题陷阱零编造 → 主动 DEFER（根因在数据层：pypdf 把「小米」解析成康熙部首⼩⽶，NFKC 归一修复）

论点落成机制，第一道就是防编造。这页是同一条流水线的两次真实运行，对比就是论证。左边有据之路：问「你在小米做过什么」，检索层两条简历 chunk 过闸——标橙那条「智能家居语控」是 E12 修复后才召得回的；那次修复救的是相似度零点三六卡在零点四阈值下的履历块，配了每类 floor 零点三保底和 BM25 字面臂救专名。生成层走 grounding 三态契约：个人事实锁死、通用知识限专业领域内、发挥度三档旋钮对映 Delphi Creativity 但雇主/履历/数字三档钉死。输出答准了小爱同学，但「做到什么程度」没记录就直说没记录——有据答准、数字认怂，零点八五分。右边无据之路：午饭题检索零命中，直接触发拒答闸——这是全链路唯一的确定性拒答点；注意拒答话术「不会给你瞎编一个今天吃了牛肉面」，拒得像本人，那是 D 桶的腔调。最下面是第五道闸的故事：token-锚定后校验我完整设计过——数字走正则、个人事实小模型判定加转写——但上开发前跑消融探针，裸基线九道陷阱题零编造，于是把自己的方案否决了；根因竟是 pypdf 把「小米」解析成康熙部首字符导致检索永远召不回、模型只好自己编——修的是 Unicode，不是模型。

决策 ②

萃取物必须结构化可溯源

Extraction must be structured and traceable

访谈 session · 进行中（owner --live）

锚点 ← A 桶（fact-seeded）妙招四阶段：AI RPO→猎头→招聘→工作台

种子「先把产品矩阵和路线图想清楚再动手」

追问① 翻车：「踩坑 = AI 招聘全流程链条空转」

追问② 破例：「小步快跑，但 C 端体验+Badcase 死线」

←
gen_q
LLM 只生成问题

钻探控制器确定性选维 K=3模板两级：翻车→破例答空即停 · MAX_DEPTH=2

→
fold
非 LLM

折叠产物 · typed 断言B「路线图先行」 conf 0.7 C「链条空转」 conf 0.6 ← 刚折入 C「C端+Badcase 死线」 conf 0.6 grounding 一律 inferred · refs=[]

问 · fact-seeded拿真事实当锚点，只问本人答得出的

控 · 确定性追问一失控访谈就废，控制流不交给模型

存 · 强制诚实现状 append · reconcile 人审已立项 ADR-0038

第二个决策讲萃取机制，这页冻结的是一场真访谈。左边是 session 现场：最上面的锚点卡来自 A 桶真事实——妙招四阶段，所以控制器问出来的都是「只有他本人才答得出」的问题，不空泛。三行对话是真实实录：种子层是他愿意主动讲的原则；第一层追问按「翻车」模板挖出「链条空转」这个具体的坑；标橙那句破例边界是第二层追问才挖出来的——他从没写进任何文章，这就是知识的诅咒被机制解开的现场。中间控制器只做三件事：确定性选维、两级模板追问、答空即停——大模型在全流程里只负责一件事，把模板问题问得贴合上文（gen_q），因为赛道调研的结论是：追问一交给模型自由发挥，访谈就失控，这是一亿美金公司都没解好的问题。右边折叠产物：种子进 B 桶置信零点七、钻出物进 C 桶零点六，全部强制标 inferred、refs 空数组——访谈现答永远不冒充有出处的事实。底部第三条注脚是诚实标注：冲突处理现状是 append 不去重，合并去重走人审的方案已立项还没开发。

决策 ③

保真必须对真人真答度量，不许自评

Fidelity is graded against the person's real answers — self-grading is blocked in code

只读 · 萃取开始前就锁死

fixtures/eval/holdout.json_note:「防泄漏 ADR-0006」本文件禁入检索 / 训练集 question:「你在哪家公司？」 real_answer:「在海纳做 AI 产品…」

1 预留在萃取之前 · 分身全程看不到

2
→
同题
问分身

judge · reference-based

第一行就检查真答——没有 real_answer 直接抛 ValueError 防自评＝代码约束，不是纪律

fidelity 连续值 [0,1]——3 锚点：1.0 一致 / 0.5 部分 / 0.0 编造

先理由后分数——rubric 强制 reasons 在前、score 在后 ADR-0041 · 学 Anthropic evals

3
→
相对阈值

产出 · 只留可行动信号

点名机制均值 −1σ 以下才点名全批低但均匀 → 不点名全同分 → 不点名

4 失分回灌——答错的题归因到维度
→ 变成下轮访谈追问已立项 · 见黑底页

4.93vs 4.29 · 保真度
同题对照 delphi.ai 原版 · 14 题

4.71vs 4.36 · 流畅度
D 表达桶上线前 2.79

口径诚实Claude 按 rubric 判分，不是人工盲测——趋势扎实，我不把它当决定性证据

第三个决策：怎么知道分身像不像。行业通行做法是 LLM 自评或者用户拍脑袋，我的做法按一二三四走。第一步，holdout 预留，注意时间点——在萃取开始之前就锁定一批真人真答，屏上是真实文件，文件头那行 _note 写死「本文件禁入检索和训练集」，分身全程看不到这些答案。第二步，同题问分身，答案送 judge，judge 是 reference-based 的，三个机制：最关键的是判分函数第一行就检查有没有真答，没有直接抛 ValueError——防自评在我这里是代码约束，不是纪律，注释原话是「分身自评等于退回 Delphi 的满意度飞轮」；保真度是零到一的连续值，三个锚点，一点零一致、零点五部分、零编造；第三条是我上周按 Anthropic 那场 evals 分享刚做的形制修正——把 rubric 从先出分改成先写理由再落分数，先出分会让模型为已经出口的分数辩护到底，这笔记在 ADR-0041。第三步，点名用相对阈值：均值减一个标准差以下才点名，全批都低但均匀不点名，全同分不点名——这是防「凑一个绝对分」的过拟合。第四步失分回灌，已立项还没开发，等下黑底那页单独讲，它是我 roadmap 上优先级最高的一步。底下两个数字：保真四点九三对原版四点二九，流畅四点七一对四点三六，第三格是口径诚实——这是同题对照 delphi.ai 上的原版分身、Claude 按 rubric 判分，不是人工盲测，趋势扎实但我不把它当决定性证据。追问弹药：holdout 为什么必须在萃取之前锁——之后锁的话素材已经进了库，测的就是记忆不是泛化；点名机制为什么用相对阈值——绝对阈值会诱导我去调分数而不是修系统。这套评测其实是四个真文件构成的工程，下一页单独拆它的构造、我还欠的账、和一条最锋利的设计判断。

决策 ③ · 深挖 · EVAL HARNESS

保真评估：四环节已在，欠的账我列得出

Fidelity eval as engineering — four stages live, five debts named, self-grading impossible by construction

① 采题 · collect_holdout.py

真人陪聊才落盘holdout 12 题 fact_recall 5 · boundary 7 ⚠️ 欠 ≥40 · 缺心智桶

→

② 打分 · scoring.py

reference-based缺真答 → 抛 ValueError 先理由后分数 · parse 不静默临界 0.4–0.6 best-of-3

→

③ 评测 · eval.py

两维不混算保真＝北极星主指标流畅＝并行体验指标各取均值 · 各看胜负

→

④ 点名 · preview.py

相对阈值防凑分mean − 1σ 以下才点名全同分 / 全批均匀都不冤枉点名

优化分身的手，全系统只能碰一个文件 SYSTEM_PROMPT_ANSWER —— holdout / rubric / 校准集全在禁触区，作弊在架构上不可能，不靠自觉

确定性归 code，nuance 归 judge拒答 / 溯源 / 泄漏用断言判定，绝不请示 LLM；judge 只留质量判断——用反了两头吃亏

尺子自己也要被验owner 亲手打 15+ 题当校准集，judge 与人分一致率 ≥80% 才可信（meta-eval）

五笔清欠 · 按投入产出排✓ judge 形制刚落 ADR-0041｜规划：code graders · 记账 · 题量→40 · autoevolve 爬坡ADR-0041 accepted

决策③讲了保真怎么度量，这页把它当一套工程系统拆开——面试里最容易被追问的就是「你这评测是玩具还是真工程」。它是四个真文件，不是一个打分脚本。第一环采题，collect_holdout，真人陪聊才落盘、合成答绝不污染题集；这里我先自曝一个短板——现在只有十二题，事实召回五题、边界七题，离我自己 ADR 定的四十题还差得远，而且心智桶的题全缺，这是下一步 owner 要补的账。第二环打分，scoring，reference-based，缺真答直接抛异常；judge 有三条纪律，最关键一条是先理由后分数——rubric 强制先写一致点和分歧点、最后才出分，因为先出分模型会为那个分辩护到底，这是我上周按 Anthropic 那场 evals 分享刚做的形制修正，记在 ADR-0041；另外抓不到分数不静默给中间分、临界区自动判三次取中位。第三环评测，eval，保真和流畅两维各取均值、各看胜负，绝不混成一个分——保真是北极星主指标、流畅是并行体验指标。第四环点名，preview，相对阈值，均值减一个标准差以下才点名，全批均匀或全同分都不冤枉，防的是凑一个绝对分。中间这条黑带是我最想让你们记住的设计判断，也是防编造契约的最后一环：将来做自动进化的那个 agent，在整个系统里只有一个可写点，就是作答的 system prompt；holdout、评分规则、校准集全在它碰不到的禁触区——所以它想作弊刷分，在架构上就不可能，不是靠我叮嘱它别作弊。底下三格是诚实交代：左边是 code 和 judge 的分工判据，能用断言判定的绝不花钱问 LLM；中间是尺子自己也要被考，owner 亲手打十五题当校准集，judge 打分跟人一致率到八成这把尺子才算可信；右边是我还欠的五笔账，按投入产出排好了——code grader 层、记账、题量补到四十、自动爬坡，judge 形制是刚落的第一笔。追问弹药：六笔欠账 D1 到 D6 的 verify 口径都在 ADR-0041，比如 code graders 那笔的验收是「制造一个已知回归、对应 grader 必须变红」；为什么 code 和 judge 要分工——拒答有没有触发、溯源在不在库、题有没有泄漏这类确定性行为绝不请示 LLM，judge 判确定性行为是花钱买不确定、code 判 nuance 会脆；信任拓扑那条是 ADR-0041 决策八，accepted。下一个决策：分身怎么越用越像。

决策 ③ · 深挖 · 信任拓扑

信任边界，就是写权限边界

Trust boundary = write boundary — the optimizer can touch exactly one file

🔒 Owner 亲手区 · agent 禁触

holdout.json · 12→40 真人真答 JUDGE_RUBRIC · 版本入 git judge-calibration · owner 打 15+

👤 owner 手跑 holdout 防过拟合 · 批 rubric 变更

📏 度量层 · 只读被测系统

eval_run.py · runner C1–C5 · code graders J1 · fidelity judge（先理由后分） runs.jsonl · git sha join key

🎯 被测系统

★ SYSTEM_PROMPT_ANSWER唯一 agent 可写点

rag.answer · chunks 库（度量层只读、不改）

🔁 优化层 · autoevolve（ADR-0008）

train_set ~15 · 可见题面 · 禁看真答 program.md · 长跑进化 agent

program.md ──唯一写入──▶ SYSTEM_PROMPT_ANSWER整张图指向被测系统的写边只有这一条 · 其余全是读

一条写入边优化 agent 能改的只有作答 prompt，评测集/规则/校准全够不着

禁触区锁死作弊面想过拟合 holdout、想改尺子刷分——在架构上碰不到那些文件

信任＝拓扑，不＝自觉作弊不是被禁止，是结构上做不到；不靠「我叮嘱它别作弊」

上一页四环节讲的是评测怎么跑，这页单讲一件事——也是我全场最想让懂技术的人记住的设计判断：这套系统一旦上自动进化，评估者就变成一个会主动找洞刷分的 agent，光靠规则约束它没用。我的做法是把「信任」这个软问题，变成「写权限」这个硬问题。你看这张图分四个区，按谁能写谁只能读切开：左边是 Owner 亲手区，holdout 真答、评分规则 rubric、judge 校准集全在这，agent 一个字都碰不到；中间度量层，跑评测、code grader、judge、记账，它只读被测系统、不改；右边被测系统，注意那个橙色的框——SYSTEM_PROMPT_ANSWER，作答的 system prompt，这是整个系统里优化 agent 唯一能写的一个文件；下面优化层，长跑进化 agent 拿 train 集的分数当反馈，但它看不到真答。中间那条黑带是全图的论点：从优化层指向被测系统的写入边，整张图只有这一条——program.md 改作答 prompt，其余所有箭头全是读。所以底下三句收口：优化 agent 能改的只有作答 prompt；它想过拟合 holdout、想偷偷改评分尺子刷个高分，在架构上根本够不着那些文件；作弊不是被我禁止的，是结构上做不到的——我不需要叮嘱一个 agent「别作弊」，我让它碰不到能作弊的东西。这就是「信任等于拓扑，不等于自觉」。追问弹药：这是 ADR-0041 决策八，配套 ADR-0008 的 autoevolve；train 集和 holdout 为什么必须分开——同一题集两用的话，自动爬坡会把评测集喂进优化，等于对着答案考试；owner 那条手跑 holdout 是最后一道防过拟合闸，agent 只在 train 集上爬，owner 每隔十轮手动拿 holdout 验一次，train 涨 holdout 掉就是过拟合、人工回滚。这套写权限拓扑，就是防编造契约从作答层一路延伸到了优化层。

决策 ④

分身要越用越像：三层自进化环

The clone improves with use: a three-layer self-improvement loop

在线 · 边干边记

受众对话 conv_18

受众对话 conv_19

Train 精修 train_07

读 ↑
断言召回
写 ↓
只进原料层

四桶断言库A · 妙招四阶段（简历） B · 「路线图先行」 C · 「链条空转」← 访谈刚折入 D · 拒答腔调（反馈蒸馏）

原料层（Reflect 写这里）messages 全量 · visitor_memories memory_candidates ← 待人审 2 条

⇄
建议→人审
不强写

带外 · session 之间

Dreaming合并冲突降权过时沉淀洞察

心智编译断言 → SOP步步溯源

Reflect · 在线写原料session 收尾蒸原料：访客记忆自动写、owner 事实候选进人审——断言库不直写✓ 代码在库

Dreaming + 编译 · 带外理批处理整理与编译，产物一律过人审已立项 ADR-0038 / 0039

断言库只有三个写入口：访谈折叠（B/C）· 采集萃取（A）/反馈蒸馏（D）· 人审批准（候选升格）——Reflect 与 Dreaming 都只碰原料层和候选队列

第四个决策回答「分身怎么越用越像」。这页是整个系统的一帧冻结画面，中间箭头注意是读写分向的：读的方向每一轮都发生——作答管线从断言库按相关性召回断言；写的方向发生在 session 收尾——Reflect 把这场对话蒸成原料，但注意它写的是下面那个虚线框的原料层：访客情景记忆自动写、对话全量落库、owner 透露的新事实蒸成候选进人审队列——断言库本身 Reflect 碰不到。断言库只有三个写入口：访谈折叠、采集萃取、还有人审批准把候选升格进来。这是防编造契约在记忆系统的延伸：任何自动过程都不许直写「本人说过什么」。右边带外区：Dreaming 批处理做合并冲突、降权过时、沉淀洞察，产物同样只出建议进人审；编译层把断言变成可执行 SOP。底部两个注脚是论证：在线写原料、带外理结构，两种节奏一虚线之隔。状态诚实标注：左半在库运行，右半已立项。编译层和第 8 页 B 心智桶的关系值得单独讲：B 桶是原料仓库，编译层是架在它上面的编译器——同一批程序性知识，B 桶存的是陈述形态，一条条独立断言，检索命中了分身能「引用他的观点」；编译层把它还原成程序形态，按维度聚类成完整 SOP，任务型请求整包装载，分身才能「按他的方式执行」一个完整任务。锁死这层关系的是溯源：SOP 每步指回具体断言 id，skill 包里不存在 B 桶没有的知识，只是形态转换——防编造契约延伸到了编译面。三层连起来就是「记、悟、会做」。追问弹药——Dreaming 具体怎么重组：天级批处理聚合高频问题模式进 insights 表、对冲突断言出合并建议、对过时判断出降权归档建议，全部进人审队列批准才生效，上线后新旧并跑一周再收敛。心智编译怎么落地：请求先走规则分类，任务型才装载流程包，拿不准一律回退观点型通路；产物是独立 markdown 可 diff 可回滚；首个编译目标「分析一家公司」。四个决策讲完，下一页看受众真正摸到什么；右边 Dreaming 那个盒子稍后单独展开一页。

应用层 · SURFACE

同一个契约，三次兑现

One contract, three surfaces — the anti-fabrication contract reaches text, voice, and citations

防编造契约 · grounding 三态：个人事实锁死 · 通用知识限专业域内 · 无据即拒答

↓ 在文字里怎么兑现

文字对话Chat

答不出就说没记录，不硬凑——而且拒答也得拒得像他本人

真实拒答：「不会给你瞎编一个今天吃了牛肉面」
分层澄清开场 · 记得访客（F32 跨 session）✓ 生产在跑

↓ 在声音里怎么兑现

语音通话Voice

TTS 零改写守约——朗读的逐字＝作答原文，声音层不许自由发挥

本人声线 S_ZWf3iEoV1（火山 ICL 2.0）· owner 人耳确认
首句 2.17s ＝ VAD 0.7 ＋首句 1.15 ＋ TTS 0.32✓ F10 / F24 passing

↓ 在证据里怎么兑现

溯源面板Citations

每句话都能走回原文——访谈现答标「据访谈推断」，绝不冒充文献

citations 锚 chunk_id ＋ score（0.79–0.81 实测）
inferred 与 retrieval 分开标注✓ 代码在库

四个决策讲完，看受众真正摸到的东西。这页我特意不做成功能清单，因为这三样不是三个功能——是同一个契约在三个界面上的三次兑现，黑色这条带就是那个契约：grounding 三态，个人事实锁死、通用知识限在专业域内、无据即拒答。第一次兑现在文字里：答不出就说没记录，不硬凑；但光拒答不够，拒答还得像他本人，屏上这句是真实输出——「不会给你瞎编一个今天吃了牛肉面」，那个腔调来自 D 表达桶。附带的能力是含糊问题先分层澄清、以及记得访客，同一个人跨 session 接着上次聊。第二次兑现在声音里，这是我最想现场演示的：本人音色是火山 ICL 二点零克隆的我的声线，人耳验收我给的原话是「是本人声音」；但真正的守约在这句——TTS 零改写，朗读出来的逐字必须等于文字作答的原文，声音层不许自己润色。为什么这条重要？因为语音是最容易偷偷加戏的地方，一旦允许 TTS 层改写，防编造契约在最后一米就漏了。延迟这里也交代清楚：首句两点一七秒，等于 VAD 零点七加检索生成一点一五加 TTS 首片零点三二，压在两点五秒的闸门内。第三次兑现在证据里：每个回答带 chunk id 和相似分数，受众自己能走回原文；而且访谈现答标 inferred、有出处的标 retrieval，两种引用分开标注，绝不让「他访谈里现说的」冒充「他文章里写过的」。三次兑现连起来是一句话：契约不是写在文档里的，是在每个受众能摸到的地方都兑现一次。追问弹药：语音的合规——AI 合成语音有标识，凭据和声纹配置不入库；F28 通话增强还在开发中。说一千道一万，真机看。

训练流 · 受众对话 · 拒答现场

Live demo

web dev · 真库真断言 · 生产同款

One thing to remember

评测不是终点，是萃取的驱动器

Evaluation is not the finish line — it is the engine of extraction

分身答错的每道 holdout 题，都会变成下次访谈的追问——错在哪，就往哪深挖。

答错一题

→

归因到维度

→

生成追问

→

下轮访谈更准

打分闭环已在跑 · 回灌环已立项（0028·F38，前置=失分归因从「桶」细化到「维度」）——roadmap 上优先级最高的一步

决策 ④ · 深挖

How Dreaming works：重组自动跑，落账要人批

Reorganisation runs out-of-band — nothing lands in the assertion store without review

只读输入 · read-only

断言库快照 · 四桶A / B / C / D ⛔ Dreaming 零写权

当天 transcriptsconv_18 · conv_19 train_07

1
→
只读快照

run_daily · delphi-jobs 天级

Dreaming合并冲突沉淀洞察降权过时

2 带外批处理 · 不进热路径

3
→
分道写出

两条出路 · 写权分级

自动层——daily_insights 表（注入链可消费）· visitor_memories 整理（supersede 现成）

人审层——assertions 重组建议 → memory_candidates 队列 → owner 批准（F17 链路）才生效

对照 Anthropic 原版官方 clone 全库→人看 diff→切换；我的闸位更前——断言库对 Dreaming 零写权

新旧并跑上线后与旧汇总逻辑并跑一周再收敛

状态Reflect 在库运行；Dreaming 重组已立项 ADR-0038 · F35

第 12 页那张进化环里，Dreaming 只是带外区一个盒，这页把它展开，按一二三走读。第一步，只读快照：Dreaming 每天由 delphi-jobs 触发，吃两样输入——断言库的当前态和当天的 session 对话，注意它对断言库是零写权，纯读。第二步，重组，三个动词：合并冲突——同一话题新旧结论打架的，出合并建议；沉淀洞察——高频问题模式聚合进 daily_insights；降权过时——不再成立的判断出归档建议。全程带外批处理，不进作答热路径，零延迟代价。第三步，分道写出，按写权分级：洞察和访客记忆整理走自动层——daily_insights 是数据库表、注入链直接消费，visitor_memories 本来就是自动写层、supersede 机制现成；但凡涉及断言库——「本人说过什么」——一律只出建议，进 memory_candidates 人审队列，owner 批准走 F17 链路才生效。底部第一条注脚是和 Anthropic 原版的对照，这个对比面试值得主动讲：官方的做法是 clone 整个记忆库出一个 output store、人看 diff、满意再切换，闸在切换那一步；我的闸位更前——断言库对 Dreaming 直接零写权。同一个保守哲学——优化是提议不是强写——但我的场景是分身替真人说话，防编造契约要求闸放在写入口前面，而不是写完再审。追问弹药：为什么 insights 用 DB 表不用 markdown——生产端四服务架构要在注入链里消费它，md 文件进不了链路，而且 daily_runs 已有 DB 审计先例；为什么不删旧汇总逻辑——新旧并跑一周对比再收敛，这是 ADR 里明写的守约；命名分层——会话级叫 Reflect、写原料只追加，天级叫 Dreaming、写结构做重组，这个命名就是从 Anthropic 这场分享里学的，机制对照过再落的自己的设计。这是往前看的部分；收尾之前，先讲三个往回看的坑。

Lessons

踩过的三个坑，都是评测先发现的

Three pitfalls — every one caught first by the eval system

比的是素材，不是能力Comparing corpora, not capability

早期对照评测把 Delphi 答对的题判成「编造」——根因是两边喂的素材不一致。公开更正错账

重评后 4.93 vs 4.29 · 护城河从「全面领先」收窄到 3 题优势

N=12 的分数会说谎Small-N scores lie

holdout 均值单次波动比一次真实检索修复的效应还大——差点把修好当成修坏

0.692→0.652 判为噪声带内 · 波动 ±0.3 > E12 效应

一个常量腰斩了深度One constant capped the depth

max_depth=2 让所有维度钻两层就停，深洞见被硬生生截断

drill.py:27 · 饱和自适应已立项（0028 vNext）

收尾前主动讲三个坑。第一个最疼也最有价值：早期竞品对比里我把 Delphi 答对的题判成编造，后来核对本人简历才发现是我方数据库素材更稀疏——比的是素材不是能力。我公开更正了错账，把护城河叙事从全面领先收窄到三题优势。这教会我 eval 的第一课：先对齐输入，再比输出。第二个坑是统计学的：十二道题的均值单次波动正负零点三，比检索修复的真实效应还大，差点让我把一次修好的改动当回归回滚掉——样本小的时候，分数不能当优化信号。第三个坑在萃取侧：一个写死的深度常量把所有追问腰斩在第二层，饱和自适应的方案已立项。三个坑的共同点是都被评测系统先揪出来——这也是我坚持评测先行的原因：它不光度量产品，还纠正我自己的判断。

Takeaways

讲完这场，可以带走的三个方法

Three transferable methods — beyond this project

评测先行Eval-first

机制：预留真答（被测者不可见）→ reference-based 盲测 → 相对阈值防凑分 → 小样本多采样。没有裁判，一切「优化」都只是感觉

评估闸开发Proposal → ADR → verify

机制：方案文档（含否决的备选）→ 人工评估闸 → ADR 记决策 → verify 真跑通才标完成。管住 agent 的不是 prompt，是闸门

砍刀定形Scope by cutting

机制：开工前把「不做什么」写进项目宪法（本项目三刀）；此后每个需求先对边界，撞线即拒

这个项目证明的三件事

Three things this project proves

✓

产品判断Product judgment

分身该「真」不只「像」：拒答与溯源是信任的来源，不是体验的妥协

✓

工程纪律Engineering discipline

39 个 ADR：每个 feature 先过 proposal 评估闸，verify 真跑通才算完成

✓

真实结果Real results

35 features / 23 passing，生产环境在跑，真受众在对话

全程 AI 协作开发：harness 方法论 + 4 层防御体系

Appendix · 追问弹药（按 A 调出 / 方向键回主线）

企业落地：从 owner 二元，到成员-角色-scoped（F39）

From binary ownership to member-role-scoped identity — blueprint: Buzz

现状 · 二元Binary today

minds.owner_account_id 1:1 归属（F13）
· owner 全权 owned_mind，非 owner→403
· visitor 只读「已发布」全部
· publish_status 二元

痛点：一个专家分身无法被组织内多角色按不同深度访问

→

Buzz 蓝本
agent 是成员不是 bot
scoped by identity,
not by flags

目标 · 成员×角色×scopedMember-role-scoped

· mind_members（mind × principal × role）
· 五角色 owner/admin/member/guest/service
· 角色→桶白名单（A/B/C/D），召回层过滤
· scoped token（role+桶+限频）替 owner 全权
· visitor 注入 {org,dept,role} provenance

ADR-0040 · owner_account_id 零破坏迁移成 role=owner 特例 · 注入身份只读不进断言库（防编造契约不破）· 审计升 hash-chain = 面后 P1（Buzz 第②条）

这页正常放映不出现，被问到「企业怎么落地／多租户／不同人看到的分身一样吗」时按 A 调出。一句话主线：我现在的权限是二元的——一个分身归一个 owner，owner 全权、访客只读已发布的全部，这是借鉴 Buzz 之前的状态。企业场景撑不住：一个总监的数字心智，本部门同事该能深问他的判断（B 心智桶），外部访客只该看事实（A 桶）且限频，团队管理该能加成员——二元模型表达不了「谁看哪些桶、能问多深、谁能管成员」。关键是这不是我硬套 Buzz：我路线图 ADR-0038 早就埋了 F39 企业身份注入这个钩子，一直没设计；拆 Buzz 时发现它「agent 是成员不是机器人、用身份不用权限位」正是 F39 缺的答案。落成 ADR-0040 七条决策：权限载体用 mind_members 成员表不是 flag 矩阵——flag 随功能爆炸、成员关系不会，这是 Buzz 最锋利的一刀；五角色对齐；角色映射桶白名单、在 RAG 召回层过滤不是事后删；scoped token 带角色和桶范围替代 owner 全权透传，拒绝复用 owner session 降权——会污染 owner 语义；注入的部门角色是「谁在问」的元数据，只读、带 provenance、绝不进断言库，防编造契约在权限层的延伸；owner_account_id 零破坏迁移成 role=owner 特例，历史无主分身不变。这一条最能证明的能力：我能把一个竞品的设计判断，接到自己项目已有的路线图钩子上，落成守住原有契约的工程决策——不是抄功能，是抄判断。

附录 · 按 A 键 · EVAL RUN FLOW

一次 eval run：便宜的先跑，红了知道怎么办

Cheap deterministic checks first, judge last — every red has a next action

取一题 holdout → rag.answer(q)

↓

C1–C5 code graders确定性断言先跑 · 零成本

红 ▸

按行动表定位
阈值 / 素材 / 链路 bug / 泄漏

↓ 绿

refused?

是 · boundary 桶=正确 ▸

记账

↓ 否

J1 judge · 先理由后分MATCH_POINTS → DIVERGENCE → FIDELITY

抓不到 ▸

parse_failed
绝不静默 0.5

临界 0.4–0.6 ▸

best-of-3 取中位

↓

runs.jsonl 记账git sha join key · rubric 版本 · 分桶均值/std

↓

diff vs 基线 · 回归闸

约束维回退 ▸

🚫 改动闸拦下

主指标涨/平 ▸

✅ 入册 · diff 进 commit

↓

分数与人感不符?

是 ▸

校准环：owner 批 rubric → meta-eval 重验 → 重跑

否 ▸

下一改动假设

这是追问「你这评测一次到底怎么跑」时按 A 翻的附录。一句话概括设计：便宜的确定性检查先跑，贵的 judge 最后跑，每一条红灯都配了「红了怎么办」。取一题、分身作答，先过五个 code grader——拒答契约、应答契约、溯源、防泄漏、卫生——都是确定性断言、零成本，红了直接按行动表定位是阈值、素材、链路 bug 还是泄漏。绿了看是不是拒答，boundary 桶该拒答的拒了就算对、直接记账；该答的才送 judge。judge 先理由后分、抓不到分数计 parse_failed 不静默、临界区 best-of-3。然后进 runs.jsonl，git sha 当 join key、只增不改。接着 diff 基线这道回归闸：约束维回退就拦下改动，主指标涨或平才入册、diff 进 commit。最后校准环——分数跟人感不符是尺子的问题，owner 改 rubric、过 meta-eval 重验再重跑，改尺子只许人批。整条链两个循环：手动环是人提改动假设跑整条，自动环是长跑 agent 把「下一改动假设」自动化，但只拿 train 集分数当反馈、碰不到 holdout。

附录 · 按 A 键 · METRICS SYSTEM

指标体系：北极星牵引方向，护栏锁死底线

One north star derived from the thesis — everything else is a lever or a guardrail

L1 北极星 · 唯一主指标

保真分 4.93 /5 · 原版 4.29

对 holdout 真人真答的一致性 reference-based · 缺真答抛异常 从论点推导：「像真冲突选真」→ 北极星必须度量「真」

L2 并行体验指标

流畅 4.71 /5 · 原版 4.36

防「真而难听」· 与保真各看胜负 只并行，绝不加权合成总分——合成分会互相掩护

L3 供给杠杆

979 chunks（简历19+整站960）四桶断言 A/B/C/D → 牵引：采集与访谈排期

L3 检索杠杆

召回命中率 E12：类目 floor 0.3 + BM25 字面臂 → 牵引：阈值与索引调优

L3 度量杠杆

holdout 12 题 → 40（缺心智桶） owner 陪聊才落盘 → 牵引：采题排期＝欠账清单

L4 护栏 · 编造 0/9 陷阱题＝红线首句 2.17s < 2.5s 闸 TTS 零改写拒答率盯区间：过低=编造 · 过高=覆盖不足

指标不挂墙上，挂在闸上：开工先挂指标（评估闸）· 失分归因生成访谈 backlog（驱动器）· 异动即信号——三个坑全是指标先叫的

12 题波动 ±0.3
分数当方向，不当单次信号

需求侧（会话/回访）暂不建
规模未到，不立虚荣指标

优化手只碰 SYSTEM_PROMPT_ANSWER
指标可信的架构前提

被问「你怎么定指标 / 怎么衡量这个产品成功」时按 A 翻到这页。四层讲下来：第一，北极星不是从行业模板抄的，是从全场论点推导的——「像」和「真」冲突时我选真，所以北极星必须度量「真」，就是对 holdout 真人真答的保真分，reference-based，缺真答直接抛异常。第二，流畅是并行体验指标，防「真而难听」，但只并行、绝不加权合成一个总分——合成分会让两个维度互相掩护，北极星必须单一。第三层是输入杠杆，每个杠杆都挂着一个可动手的动作：供给杠杆牵引采集和访谈排期，检索杠杆牵引阈值和索引调优，度量杠杆本身也是指标——holdout 题量 12 到 40 的缺口就是我的欠账清单。第四层护栏单列：编造零是红线不是优化目标，红线只守不爬坡；拒答率特意不定单点目标、盯区间，因为压太低会诱导编造、放太高说明覆盖不足——这个指标定成单向优化就会教坏系统。底下三条是指标素养：样本 12 题波动正负零点三，分数当方向不当单次信号；会话数回访率这类需求侧指标规模未到暂不建，不立虚荣指标；所有分数可信的前提是优化手在架构上只碰得到作答 prompt。一句收口：指标不挂墙上，挂在闸上——开工前它是评估闸，失分后它生成访谈 backlog，异动时它是报警器，我那三个坑全是指标先叫的。

Appendix · 追问弹药（按 A 调出 / 方向键回主线）

大厂进场一问：OpenAI Presence（昨日发布）
恰好验证了本项目的结构

Presence (07-22): enterprise agents governed by policies / permissions / evaluation standards — same skeleton, different market

Presence · 企业客服 agentWhat it is

· 场景：客服/销售/采购/IT/HR
· 治理三层：policies / permissions / evaluation standards
· 越界 escalate to human
· 交付：FDE + SI 白手套，不自助

押注企业工作流，未碰个人人格分身

≅

同一骨架
agent 的「真」
靠治理层不靠模型自觉
independently converged

本项目对应物Already built

· evaluation standards = 五道闸 + eval run flow（附录B）
· permissions = mind_members×桶白名单（F39/ADR-0040，附录A）
· policies = 拒答契约/断言库（编造防线）
· escalate = 本尊接管通道 → roadmap 缺口，面后新 F 候选

判断 · 分身赛道护城河=个人语料+人格权属，大厂暂未进场 · Presence 的 FDE/不自助交付印证：高价值专家分身更可能是 studio/代运营 生意而非纯自助 SaaS（Delphi 官方也设 studio）

这页正常放映不出现，被问「大厂进场怎么办／竞品格局怎么看／OpenAI 昨天发的 Presence 见了吗」时按 A 调出。主线三句：第一，Presence 是企业客服方向的 agent 平台，不是分身产品，它和我在不同市场收敛到了同一副骨架——agent 的「真」不靠模型自觉，靠治理层：它叫 policies、permissions、evaluation standards，我这里对应拒答契约与断言库、mind_members 乘桶白名单、五道闸加 eval run flow——这是独立收敛，昨天它发布反而替我的结构背了书。第二，它的 escalate to human 机制照出我路线图上一个真缺口：分身答不了或答错时的「本尊接管」通道——转真人、留言、本尊事后修正回灌训练——这是我面后要立的新 feature。第三，商业判断：OpenAI 押企业工作流、用 FDE 白手套交付不开自助，说明高可靠 agent 的交付天然重服务；映射到分身赛道，高价值专家分身更可能是 studio 代运营生意而不是纯自助 SaaS，Delphi 官方自己也设了 studio 服务，这与我对这个赛道商业模式的判断一致。收口：大厂进场对我是利好——它在验证治理层这条路线，而个人语料与人格权属这道护城河它还没碰。

把真人蒸馏成可对话的数字分身

复刻起步，砍刀定形

✂ 砍掉 outbound 外呼Inbound only

✂ 砍掉代配他人Self-clone only

✂ 砍掉双边市场Single-sided tool

从像语气，到能证明像——下一格是能办事

数字分身的六个真问题

编造Fabrication

知识的诅咒Curse of knowledge

追问深度Probing depth

保真无法度量Unmeasured fidelity

不进化No self-improvement

碎片拼不出流程Fragments ≠ workflows

「像」和「真」冲突时，我选真

源可以多，管线只有一条

宁可拒答，不许编造

萃取物必须结构化可溯源

保真必须对真人真答度量，不许自评

保真评估：四环节已在，欠的账我列得出

信任边界，就是写权限边界

分身要越用越像：三层自进化环

同一个契约，三次兑现

文字对话Chat

语音通话Voice

溯源面板Citations

Live demo

评测不是终点，是萃取的驱动器

How Dreaming works：重组自动跑，落账要人批

踩过的三个坑，都是评测先发现的

比的是素材，不是能力Comparing corpora, not capability

N=12 的分数会说谎Small-N scores lie

一个常量腰斩了深度One constant capped the depth

讲完这场，可以带走的三个方法

评测先行Eval-first

评估闸开发Proposal → ADR → verify

砍刀定形Scope by cutting

这个项目证明的三件事

产品判断Product judgment

工程纪律Engineering discipline

真实结果Real results

企业落地：从 owner 二元，到成员-角色-scoped（F39）

现状 · 二元Binary today

目标 · 成员×角色×scopedMember-role-scoped

一次 eval run：便宜的先跑，红了知道怎么办

指标体系：北极星牵引方向，护栏锁死底线

大厂进场一问：OpenAI Presence（昨日发布）恰好验证了本项目的结构

Presence · 企业客服 agentWhat it is

本项目对应物Already built

把真人蒸馏成
可对话的数字分身

大厂进场一问：OpenAI Presence（昨日发布）
恰好验证了本项目的结构