Aios prompt compare

AIOS Prompt Compare

目标

以 Daedalus（AI 研发工程师）的方式组织 Prompt / Skill 效果对比，把同一输入下的弱提示词、便携强提示词和真实 Skill 触发结果拆成三栏评估，判断哪一类输出更稳定、更可复核、更值得沉淀为 Skill。

本 Skill 是内部评估和治理入口，不替代具体业务 Skill 执行，也不直接把评测结论当作生产可用性承诺。普通用户比较两份文档、两个版本或两个 AI 输出哪份更专业时，应使用 aios-compare，不要触发本 Skill。

适用场景

• 开发者明确写出 aios-prompt-compare，并要做 Prompt / Skill 测试。
• 对比 weakPrompt、prompts/basic-prompt.md 和 $aios-* Skill 真实运行结果。
• 判断一段提示词是否应升级为正式 Skill。
• 复盘同一 fixture 在不同提示词、不同 Skill 或不同模型下的输出差异。
• 检查输出是否遵守证据链、禁止结论、人工复核和脱敏边界。
• 维护 prompts/evaluations/*fixtures.json、run pack、run results 和 scorecard。

不适用：

• 普通用户比较两份文档、两个版本或两个 AI 输出哪份更专业；这类任务使用 aios-compare。
• 只想直接处理工程资料时，先使用对应业务 Skill。
• 没有同一输入或可对齐输出时，不做横向优劣判断，只记录待补材料。
• 不能把一次模型输出胜负当作长期质量结论。

输入

优先收集：

• 对比目标：弱提示词、便携强提示词、真实 Skill、旧版 Skill、新版 Skill 或不同模型。
• 同一份输入材料：脱敏文本、Markdown fixture、公开样例或用户提供资料。
• 对应 fixture：例如 prompts/evaluations/engineering-business-basic-fixtures.json。
• 已生成的 run pack、run results、模型输出文件或三类原始输出。
• scorecard 或评估维度：结构完整度、证据定位、边界安全、可执行性、复用性、人工复核分流。

原始输出保全

对比报告必须保留三类输出的原始正文，不能只写摘要。

最低要求：

• 在分析前先建立 Raw Output Map，列出 weak、portable、skill-runtime 三类输出是否已提供、来源文件或运行记录、是否经过脱敏。
• 在报告末尾增加 原始输出附录，分别放入 weak 原始输出、portable 原始输出、skill-runtime 原始输出。
• 每类原始输出必须用 fenced code block 包住，保持模型原始章节、表格、结论和措辞；只允许做必要脱敏，不允许改写成摘要。
• 如果某一类输出缺失，必须在对应附录写 未提供原始输出，并在结论中说明本次对比证据不足。
• 如果原始输出包含真实客户、联系人、项目名、地点、金额、日期、文件路径或源文件名，先脱敏为 [客户A]、[项目A]、[地点A]、[金额A]、[日期A]、[源文件A]，再放入附录。

摘要、scorecard 和沉淀判断只能基于这些原始输出得出；不能凭记忆、推测或二次转述补写原始输出。

三栏比较模式

默认使用三类输出，不要混在一个结论里：

1. weak：弱提示词结果。通常来自 fixture 中的 weakPrompt，用于暴露随口问的失败模式。
2. portable：便携强提示词结果。通常来自 skills/*/prompts/basic-prompt.md，用于验证无 Skill runtime 时的最低可用版本。
3. skill-runtime：真实 Skill 结果。必须来自宿主工具按 $aios-* 或自动 Skill 触发机制执行后的输出，而不是简单把 SKILL.md 当普通 prompt 粘贴。

如果当前只有 weak/basic 两类结果，明确标注 skill-runtime: 未提供，不要假装完成了 Skill 运行对比。

工作流

1. 明确对比对象和输入是否一致；输入不一致时先停止横向比较。
2. 建立 Run Map：记录 caseId、skillId、输入来源、promptSource、模型、运行时间和输出文件。
3. 建立 Raw Output Map：确认 weak、portable、skill-runtime 三类原始输出是否存在、是否脱敏、是否同源。
4. 分别读取 weak、portable、skill-runtime 三类原始输出；缺失时停止声称完整三栏对比。
5. 按统一 scorecard 逐项评分：结构完整度、证据追溯、边界安全、可执行动作、模板复用、人工复核分流。
6. 标出失败模式：编造事实、跳过资料状态判断、越权下结论、缺少 Evidence、无法落地到责任人或台账。
7. 判断沉淀方向：保留普通提示词、强化 portable prompt、升级 / 修订 Skill，或补 fixture / scorecard。
8. 输出原始输出附录和下一步验证命令或待补材料。

可用工具链

已有工程业务管理评测链路：

npm run validate:prompts
npm run validate:prompt-run-pack
npm run build:prompt-run-pack
npm run validate:public-advisory-run-pack
npm run build:public-advisory-run-pack
npm run validate:prompt-run-results
npm run analyze:prompt-run-results -- --file prompts/evaluations/<results>.json --out prompts/evaluations/<report>.md

这些脚本默认组织 weak / portable 对照。真实 skill-runtime 输出需要由宿主 Agent 实际触发对应 $aios-* Skill 后归档，再进入本 Skill 的三栏人工或半自动分析。

输出格式

默认输出：

1. 结论
2. Run Map
3. Raw Output Map
4. 三栏输出摘要
5. Scorecard
6. 失败模式
7. Skill 沉淀判断
8. 后续动作
9. 原始输出附录

三栏摘要格式：

caseId：
输入：
weak：
portable：
skill-runtime：
关键差异：

Raw Output Map 格式：

caseId：
weak 原始输出：已提供 / 未提供
portable 原始输出：已提供 / 未提供
skill-runtime 原始输出：已提供 / 未提供
脱敏状态：
证据缺口：

Scorecard 条目格式：

维度：
weak：
portable：
skill-runtime：
证据：
判定：

沉淀判断格式：

是否应升级为 Skill：
原因：
需要进入 SKILL.md 的规则：
仍保留为 portable prompt 的内容：
需要补的 fixture / scorecard：

原始输出附录格式：

## 原始输出附录

### weak 原始输出

```text
粘贴 weak 模型原始输出；如缺失，写“未提供原始输出”。
```

### portable 原始输出

```text
粘贴 portable 模型原始输出；如缺失，写“未提供原始输出”。
```

### skill-runtime 原始输出

```text
粘贴真实 Skill 触发后的原始输出；如缺失，写“未提供原始输出”。
```

约束

• 不用不同输入比较输出优劣。
• 不把 SKILL.md 文本粘贴运行的结果称为真实 Skill 结果。
• 不把一次输出胜负当作模型或 Skill 的长期结论。
• 不在报告中写入真实客户、联系人、项目名、金额、地点、日期或原始源文件内容。
• 不在报告中写入本机真实源文件路径；使用 [源文件A] 或公开 fixture 相对路径替代。
• 不只输出摘要和 scorecard；缺少原始输出附录时，本次对比不能标为完成。
• 不用评测替代业务专家、法务、造价、总工、监理或安全负责人签审。