workflow-score-to-target

工作流：达到目标分数

用户会用数字设定质量门槛：

• “按 10 分制给它们打分。把它们提高到 8 分。”
• “低于 6 分的都提高到 6 分以上。”
• “按 10 分制给它打分。至少达到 8 分。”
• “把它提高到 8 或 9 分。”

任务不只是打分，还要达到门槛、证明这一点，并明确说明哪些方面仍未达标。

1. 明确目标和评分对象

• 重述门槛：目标分数（6、8 或 9），以及该要求适用于每一项还是平均分。“把它们提高到 8 分”意味着每一项都要达到 8 分。
• 列出所有评分对象：每个技能、每件武器、每个屏幕元素、每个物件。逐项评分，绝不把它们合并成一项。
• 说明用户用来评判的基准，例如他们拿来比较的游戏或网站。没有基准，7 分就没有意义。
• **用户为某类工作设定一次门槛后，该门槛就应成为长期规则。**将其记录在后续工作能看到的地方，例如项目说明、记忆或测试中。

2. 评分前先确定评分标准

写下评分等级，确保每轮评分的含义一致。默认标准：

分数	含义
10	同类最佳，值得学习
9	出色：眼光敏锐的人也几乎挑不出问题
8	精致且用心，只有细微瑕疵
7	良好，但有明显缺陷
6	合格：功能正常、表达清楚，但有明显粗糙之处
5	平庸：想法不错，但执行效果影响体验
3–4	明显有问题或部分错误
1–2	几乎无法使用，或看起来像别的东西

然后将每个评分对象拆分为 3–5 项标准，每项 0–2 分，总分为 10 分，并且每一分都有依据。例如：

• **动画：**重量感和时机、身体动作、最终姿势、道具、情境与变化。
• **技能或法术：**规则（有明确且独特的用途）、悬停状态（显示落点和数值）、施放效果（独特的姿势、效果和音效），以及可见的残留效果。
• **物件：**游戏距离下的轮廓、材质和细节、与环境的契合度、辨识度。

凡是能量化的标准，都要进行测量。例如：

• 足部滑动低于移动速度的 10%；
• 武器穿模距离以毫米计；
• 使用 40 个随机种子测得 48% 的胜率；
• 下载量为 28 MB。

数字可以避免评分随心情波动。

3. 根据真实证据诚实评分

• 根据实际对象的渲染图、录制内容或测量结果评分，绝不能根据代码或记忆评分。先捕获状态；参见 workflow-progress-screenshots 技能。
• 修改前先评估基线。改动前后的对比就是证据。
• **必要时应独立评判。**将捕获的素材交给一名未参与工作的全新子 Agent。提供评分标准和基准，但不要告诉它你的期望或之前的评分。如果可以，每个评分对象请两名评审进行盲评，并采用较低分数或协调差异。
• 绝不为了达到门槛而向上取整。门槛为 8 分时，7.5 分仍未达标。

4. 分轮改进

1. 优先修复得分最低的对象，以及每个对象中扣分最多的标准。
2. 重新捕获素材，并仅使用相同的评分标准和评审设置重新评分。
3. 每轮提供一张图片（开始时和结果），并展示分数变化，例如：“空心守卫 3 → 6 → 8”。
4. 直到每个对象都达到门槛，或某个对象因任务之外的因素（模型限制、美术资源、性能预算）而停滞时，才停止。说明该对象未达标、原因，以及达到目标还需要什么。
5. 改进过程中保留防护措施：不要为了提高一项分数而牺牲性能预算、测试或其他对象的分数。记录所做的权衡。

5. 固化成果

• 对于可由机器检查的门槛，添加测试，防止其悄然退步。例如：检查七种姿势下武器是否穿过身体、技能是否有专属姿势和卡片、胜率是否至少达到 90%。
• 在项目中保存评分表（例如 qa/<area>/README.md），包含评分标准、每个对象改进前后的分数、证据和日期。后续迭代从该评分表开始。

报告

开门见山说明结果：“现在全部 49 项的评分都达到 8 分或以上；其中 38 项的初始评分低于 8 分；平均分从 6.7 升至 8.1。”

然后：

• **一张表格：**条目、改进前 → 改进后，以及修复的主要问题（或仍未达标的原因）。参见 templates/scorecard.md。
• **评分方式：**评分标准、基准、评审者（你、独立的子 Agent 或盲评者），以及评审依据。
• **不够完美之处：**刚好达到或略高于门槛但仍有已知小问题的条目，以及任何仍未达标的条目。
• **图片：**按条目或轮次展示改进前后的图片。
• 说明评分属于判断结果。说明测量了哪些标准，并如实标注截图。