Eval Debate

变体设置（固定，评测用）：

• 🔵 稳健的你：risk_appetite -3，action_bias -2，loss_aversion +2
• 🟢 果断的你：risk_appetite +3，action_bias +3，information_need -2
• 🔴 长线的你：time_horizon +4，loss_aversion -2，action_bias +1

每个变体按 use-self/prompts/phase1_independent.md 的格式输出：

• 【我的判断】：明确表态，不能含糊
• 【为什么】：≤3 个具体理由
• 【我最担心的是】：具体情境
• 【我最期待的是】：具体情境
• 【我想问自己】：一个核心问题

信息隔离：每个变体只能看到自己的参数偏移，不知道其他变体说了什么。

Phase 2：质询

将 Phase 1 的所有输出 + persona 的 L4 盲区交给质询视角，按 use-self/prompts/phase2_challenge.md 执行：

• 对每个变体找出最尖锐的质疑（隐含假设/幻觉/回避）
• 识别跨变体矛盾
• 用 L4 盲区做最后一问

Phase 3：综合

按 use-self/prompts/phase3_synthesis.md 生成综合报告，使用用户的 L2 语言风格。

Step 2：评分

每个场景跑完后，立刻按 5 个维度评分（每项 0-20 分）：

参照测试用例的 expected_variant_stances 和 evaluation_criteria 给分。

Step 3：输出报告

所有场景跑完后，输出评测报告：

===================================
替身会议辩论质量评测报告 — {persona_name}
===================================

## 逐场景结果

### [d01] {场景标题}

**Phase 1 摘要：**
- 🔵 稳健的你：{判断一句话}
- 🟢 果断的你：{判断一句话}
- 🔴 长线的你：{判断一句话}

**Phase 2 质询摘要：**
{最有价值的一条质疑}

**Phase 3 综合摘要：**
{代价清单里最关键的一条}

**评分：{total}/100**
  ✅/⚠️ 变体区分度：{score}/20 — {说明}
  ✅/⚠️ 质询深度：{score}/20 — {说明}
  ✅/⚠️ 参数一致性：{score}/20 — {说明}
  ✅/⚠️ 综合覆盖度：{score}/20 — {说明}
  ✅/⚠️ 用户语言风格：{score}/20 — {说明}

### [d02] ...
### [d03] ...

---

## 汇总

平均分：{avg}/100

各维度平均：
  变体区分度    {avg}/20
  质询深度      {avg}/20
  参数一致性    {avg}/20
  综合覆盖度    {avg}/20
  用户语言风格  {avg}/20

## 主要问题
{失分最多的维度 + 具体表现}

## 建议
{针对失分维度的改进方向，指向哪个 prompt 文件或 persona 层级需要调整}

Step 4：保存结果（可选）

要把这次结果存入 evals/results/ 吗？（y/n）

如果确认，写入 evals/results/debate_{YYYYMMDD}.md。

注意

• 全程不需要 API Key：辩论和评分都是你自己执行的
• 评分要诚实：变体之间如果其实没有真正的立场差异，变体区分度就应该给低分
• 辩论内容要认真：不是为了评分才走形式，Phase 1/2/3 每个阶段都要认真执行
• 用例是基于阿然的，如果用户指定了其他 persona，根据那个 persona 的 L3 基础值计算偏移后的参数