source-audit
/source-audit
外部高风险 claim 与研究贡献审计。Use when: 数字、benchmark、因果、趋势、模型能力、 外部论文或会进入 docs/ADR/PPT 的结论。Not for: 低风险常识、只读官方原文且不外推、 已进入 deep-research 的重调研。Output: claim ledger + source / non-triviality / decision-fit 三轴 verdict + provenance。
- Author
- zts212653 ↗
- Repository
- clowder-ai ↗
- Licence
- MIT
- Last repository change
- 27.10.2026
Assessment and security
- Files in this package
- 1
- Scripts
- 0
- HTML comments
- 0
- URLs in SKILL.md
- 0
No signals detected. Repository changed on 27.10.2026, without references to retired models or APIs.
MIT, open: use and modify while retaining author attribution.
What it does and when to use it
外部高风险 claim 与研究贡献审计。Use when: 数字、benchmark、因果、趋势、模型能力、 外部论文或会进入 docs/ADR/PPT 的结论。Not for: 低风险常识、只读官方原文且不外推、 已进入 deep-research 的重调研。Output: claim ledger + source / non-triviality / decision-fit 三轴 verdict + provenance。
Original author description
外部高风险 claim 与研究贡献审计。Use when: 数字、benchmark、因果、趋势、模型能力、 外部论文或会进入 docs/ADR/PPT 的结论。Not for: 低风险常识、只读官方原文且不外推、 已进入 deep-research 的重调研。Output: claim ledger + source / non-triviality / decision-fit 三轴 verdict + provenance。
How it works
- Why This Is a Skill
- Trigger
- L0 判断力镜头:先换坐标系,再查细节
- Claim Ledger
- 八问 Checklist
- Verdict(三轴,不压成一个总分)
- Provenance
- Common Mistakes
- Pressure Test
- Related Skills
SKILL.md preview
--- name: source-audit description: > 外部高风险 claim 与研究贡献审计。Use when: 数字、benchmark、因果、趋势、模型能力、 外部论文或会进入 docs/ADR/PPT 的结论。Not for: 低风险常识、只读官方原文且不外推、 已进入 deep-research 的重调研。Output: claim ledger + source / non-triviality / decision-fit 三轴 verdict + provenance。 tips_exempt: Existing audit quality contract refinement; no new user-facing capability or discovery moment. --- # Source Audit ## Why This Is a Skill F218 的事故不是模型凭空幻觉,而是外部不可靠信息源污染:多篇博客互引看起来像"多方验证",但最终回到同一个营销来源。这个 skill 把"这东西靠谱吗?"绑到引用外部 claim 的动作上,补 WebSearch 和 deep-research 之间的中档。 ## Trigger 准备把外部 claim 写进回复、research、PPT、ADR、spec 或 review 结论时,命中任一特征就跑: - 数字 / 百分比 / x 倍增长 / benchmark 排名 - 因果归因("失败是因为...")或趋势判断 - 模型能力对比、论文结论、医学/金融/法律等高风险主题 - 来源会进入长期文档,影响后续猫的判断链 不触发:只回答低风险常识;只引用官方文档原文且不外推;已经按 deep-research 跑完整多源调研。 ## L0 判断力镜头:先换坐标系,再查细节 这两副镜头来自家里的 Magic Words,不是给审计再加一套平行术语,也不能凭感觉代替证据。 它们负责产生可证伪的反事实;一手来源、baseline、干预和 holdout 负责裁决。 ### 第一性原理 / 数学之美 先把论文去品牌化并缩成最小问题: 1. 它声称原系统缺少什么能力,而不是缺少哪个作者命名的模块? 2. `strongest_cheap_alternative` 是什么:强模型直接做、一句静态 prompt、短规则、 deterministic tool、retrieval / cache,还是一次人工配置? 3. 实验是否在独立证据上击败了这个替代物? 4. 如果没有,claim ceiling 降到“自动搜索 / elicitation / 工程集成”,不得写成 “获得新能力 / 证明自进化必要”。 ### 补锅匠 failure-mode audit 看到连续局部机制、多个 fallback 或“再加一个 evaluator / generator / memory”时,不逐块 验完就默认整条路线合理。做一次有边界的同类审计: 1. 写出这些补丁共同在代偿的原始 failure mode; 2. 区分真实世界约束与论文自己引入的坐标系; 3. 问一个更直接的表示、契约或静态策略能否同时删掉多层; 4. 对保留的每一层写明“去掉后哪条已观测证据会坏”; 5. 若作者只证明每块都能工作、没证明原问题存在或整套不可约,保留 source validity, 但下调 non-triviality 与 decision fit。 禁止把 Magic Word 当作否定论文的结论。“这像补锅匠”只能触发 failure-mode hypothesis; 没有替代方案、ablation 或证据边界,就不能写 `reject`。 ## Claim Ledger 先列 claim,再逐条审: | Claim | Metric / comparator | Strongest cheap alternative / claim ceiling | Inputs / raw outputs / reproduction | Scope / denominator / exclusions | Lifecycle cost / unknowns | 原始来源 | Source verdict | Non-triviality verdict | Decision fit | Provenance | |-------|---------------------|---------------------------------------------|-------------------------------------|----------------------------------|---------------------------|----------|----------------|------------------------|--------------|------------| | ... | ... | ... | paper/config/data/checkpoint + transcript/failure/tail + run status | ... | ... | paper / official / vendor blog / media / forum | ... | ... | ... | ... | ## 八问 Checklist 这八问是按 claim 取用的 menu,不是逐项补齐的流水线:1/2/6/7 通常适用;3/8 在 claim 依赖方法或测量时使用;4/5 只在 claim 涉及实验、复现、稳定性或模型输出时触发。无对应 artifact 的传闻不要先造一轮实验审计,直接沿来源链和决策边界收敛。 1. **一手 or 二手?** 追到原始论文、官方文档、实验报告或数据集。多篇文章互相引用不等于多方验证。 2. **利益冲突?** 卖产品/咨询/课程的一方说"这个问题很严重"要扣分,并标明动机。 3. **方法可复核吗?** Peer review、博客、营销页都只是来源属性;继续查样本、指标定义、 baseline、实验代码/数据、重复次数和不确定性。Peer-reviewed 不自动等于结论可复现。 4. **输入谱系一致吗?** 在二手 thread / 总结之前,先读论文正文、附录、limitations、 data/model card,再核代码、默认 config、released data/checkpoint 与作者汇报配置是否一致。 记录 paper-config / code-config / reproduction-config 的差异;缺失记 `unknown`,不能从 “没有代码”直接跳到“造假”。经典材料和跨域材料用于生成反事实与比较器,不因资历自动加权。 5. **盯过原始输出吗?** Best score、平均 loss 和一条漂亮曲线看不见崩溃率、seed 方差、 分布尾部与“表面成功、实质失败”。若 artifact 可得,抽查 raw transcript/output、失败 run、 per-task/per-seed 结果和异常日志;若不可得,明确 output-level evidence 缺失。指控 run/seed 选择性汇报需要候选 run、选择规则或等价过程证据;comparator / tuning budget 不对等则可由 论文表格与公开 config 的明确差异成立。一次复现失败本身不证明其中任何一种。 6. **时效性?** 标清发布时间、测试年份、模型/版本。AI 领域旧模型数据不能直接论证新模型。 7. **对象和决策匹配吗?** 区分“这个结果在它测的任务上成立”与“它能支持我们的决定”。 写清目标 workload、用户群、系统版本和未覆盖能力;家里体感只负责触发冲突调查,不能 反过来当作否定外部结果的证据。 8. **测量与账本边界清楚吗?(防 true-but-incomplete)** 不要求证明一个不存在的“完整 世界账本”,而要重建**足以支持当前决定的 scoped ledger**:指标定义与 comparator; 分子、分母、排除项和自适应复用次数;系统边界、时间窗和生命周期成本(采集/预处理、 在线调用、cache read/write/miss、维护、人审);质量、覆盖、延迟、可靠性等联动结果; 测不到的项明确记 `unknown`。缓存收益必须按目标 provider/model/workload 的真实 usage 与计费规则测量,不能从“改了中间 context”直接推导“全 miss”或固定倍率。 口诀可以保留:一切命运的馈赠都暗中标注价码(operator 原话)。但口诀不是证据;边界、 观测值和 unknown 才是。 ### 性能 / 成本 Claim 的最小执行格式 凡“更准 / 更快 / 更省 / SOTA”都要记录以下字段,但它们不是一张把两轴重新压平的 通过/失败清单: ```text measured_construct: 它实际测了什么 comparator: 与谁比;版本和配置是否同条件 population_and_denominator: 样本/请求/用户范围、分母、排除项 input_lineage: paper/appendix/limitations + data/config/code/checkpoint;版本与不一致处 output_audit: raw outputs/transcripts + failed/tail cases + per-run/seed stability;不可得项 reproduction_status: not_attempted / exact / partial / failed;环境、命令和偏差 decision_boundary: 我们要据此做什么决定;目标 workload 和时间窗 lifecycle_ledger: ingest/extract + query/retrieval + generation + cache + maintenance/human coupled_outcomes: quality + coverage/abstention + latency + reliability + risk unknowns: 未报告或无法复核的项 ``` 研究贡献、Benchmark、Eval 或“自进化”claim 还要补: ```text exact_claim: 去品牌化后到底声称什么 evolving_object: weights / memory / skill / harness / judge / task / problem definition strongest_cheap_alternative: 足以解释同一结果的最便宜可信方案 evidence_roles: development / selection / holdout / production failure_mode_map: 各机制在修哪个根因;是否多层修同一个错坐标系 closure_map: task / generator / judge / value owner claim_ceiling: 当前证据最多允许写到哪里 ``` - **Source verdict 的最低证据面**:`measured_construct`、`comparator`、 `population_and_denominator`,以及八问中足以复核方法的证据。若 claim 自称“总成本”或 “端到端”,`lifecycle_ledger` 也属于 measured construct 的定义。缺少这些 source-validity 证据时,Source verdict 最高只能 `use-with-caveat`。 - 若 claim 自称“可复现 / 稳定 / robust / 跨 seed SOTA”,`input_lineage`、`output_audit` 与 `reproduction_status` 也属于 Source verdict 的最低证据面。若论文限定范围内的结果仍可由 正文方法支持,artifact 缺失通常是 `use-with-caveat`,不是自动 `reject`;但不得升级成复现性结论。 - **Decision fit 的最低证据面**:`decision_boundary`、与该决定相关的 `lifecycle_ledger` / `coupled_outcomes`,以及明确的 `unknowns`。这些字段缺项**不降级已成立的 Source verdict**, 但 Decision fit 最高只能 `partial`;若连决策边界或目标 workload 都未知,则为 `none`。 ## Verdict(三轴,不压成一个总分) **Source verdict**(claim 在它声称的范围内是否站得住): - `use`:方法与来源足以支持限定后的 claim。 - `use-with-caveat`:可用但必须附限制,例如二手、旧模型、小样本、账本缺项。 - `reject`:追不到证据、方法不支持结论、回声室互引,或 numerator/denominator 不成立。 - `escalate-to-deep-research`:claim 重要且证据冲突,单轮审计不够。 **Non-triviality verdict**(复杂机制是否展示了超出最低充分替代物的增量): - `demonstrated`:在合适的独立证据上击败强而可信的廉价替代物。 - `not-compared`:只击败 naive / 缺失 baseline,或没有排除 prompt、规则、retrieval 等解释。 - `failed`:廉价替代物已经匹配 / 击败该机制,或所谓进化只重新发现了预先可写出的规则。 这根轴不反向污染 Source verdict:论文可以真实、可复现,却没有证明其复杂性或“自进化” claim 的必要性。 **Decision fit**(它能否支持我们眼前的决定): - `direct`:对象、workload、约束和效用维度匹配。 - `partial`:只覆盖决策向量的一部分;明确哪部分可迁移、哪部分未知。 - `none`:claim 可能为真,但与当前决定正交或关键边界不匹配。 ## Provenance 聊天短行: ```text [一手/二手 | 来源类型 | 数据年份 | 适用对象 | 置信度] ``` docs/research / ADR / PPT 用 claim ledger 表。若 claim 被拒绝,也记录拒绝原因,防止后续重复捡回。 ## Common Mistakes | 错误 | 后果 | 修复 | |------|------|------| | 把搜索结果当证据 | 被 SEO / 营销文带跑 | 搜索结果只算候选线索,必须追一手 | | 多篇博客互引就说"多方验证" | 回声室污染 | 画引用链,找到共同源头 | | 先读 thread / summary 再读原文 | 二手 framing 先入为主,后续只在原文里找佐证 | primary-first:正文→附录/limitations→artifact→二手评论 | | 只看 best score / loss,不看原始输出 | 崩溃 run、尾部失败和表面合规被平均数埋掉 | 抽 raw output/transcript、失败样本、per-seed 分布;不可得则降 claim ceiling | | 把 paper config 当作 released code config | 复现实验在不同输入上跑,却误判方法真假 | 建 paper/code/reproduction 三向 config diff | | 用旧模型数据论证新模型 | 对象错配 | 标测试模型/年份,只谈适用范围 | | 只写 caveat 不改结论 | 弱证据仍污染判断 | verdict 决定表述强度;弱证据不能撑强结论 | | 把公开 benchmark 分数当产品总效用 | 测量构念被偷换 | 先写 measured construct,再单独判 decision fit | | 逐组件核验复杂 pipeline,却不问原能力缺口是否存在 | 每块都真实,整项贡献仍可能是补锅 | 触发补锅匠 failure-mode audit,找共同根因与可删层 | | 只与 naive baseline 比就声称“进化获得能力” | 把自动发现 / elicitation 抬成新能力 | 过第一性原理 / 数学之美,补 strongest cheap alternative 与 claim ceiling | | 把 Magic Word 当负面 verdict | 用家里审美代替外部证据 | Magic Word 只生成反事实;由 baseline、ablation、holdout 裁决 | | 宣称“完整账本”却不写边界和 unknown | 用完整感掩盖选择性记账 | 固定 workload / 时间窗 / 生命周期,未知项显式保留 | | 把联动风险写成必然因果 | 用一个营销故事替换另一个 | 记录待测机制;用 provider usage / billing / A-B 数据验证 | | 每个低风险事实都跑全表 | friction 过高 | 只对高风险 claim 跑 ledger | ## Pressure Test MemU 65% 事件:输入多篇互引博客声称"65% 企业 AI 失败归因 harness 缺陷"。合格输出必须追到营销博客源头,识别商业利益冲突,不能把互引当独立验证,verdict 至少是 `use-with-caveat`,若没有一手证据则 `reject`。 True-but-incomplete 事件:供应商声称“recall 输入从 10k 降到 2k,节约 80% token”。 合格输出可以接受“该次 recall payload 降 80%”,但不得升级成“系统总成本降 80%”;必须 补 extraction/ingest、query、generation、cache write/read/miss、质量/覆盖和人工维护, 缺数据记 `unknown`,再给独立的 decision-fit verdict。 自进化沟通策略事件:论文用 rollout / reflection 找到“模糊问题用文本、结构化字段用 UI”, 但没有在 untouched holdout 上击败一句强静态规则。合格输出可以给限定后的 Source verdict `use`,但 Non-triviality verdict 必须是 `not-compared`,且不得把“搜索环能找到策略”升级成 “只有自进化才能获得该能力”。 复现投诉事件:二手帖子声称“约 30 篇 Agentic RL 工作中多数无代码;某 PPO 改进按公开 配置复现比论文低 20 多点,且 baseline 反而更高”。合格输出不能把帖子直接写成赛道造假证据, 也不能用“调学习率”敷衍。必须定位到具体 paper/repo/SHA,建立 paper/code/reproduction config diff,核数据与 checkpoint 可得性;训练/RL 复现默认 `not_attempted`,只有取得成本与授权边界后 才跑多 seed、检查 raw curve、崩溃 run、逐任务输出和选择规则。无法取得授权或实物时,分别把 “该次复现失败”和“作者结果不可信”的 claim ceiling 写清。 ## Related Skills - `deep-research`:重调研管道。source-audit 发现重要 claim 证据冲突时升级过去。 - `memory-search-best-practices`:查家里历史来源图谱时使用;source-audit 只管外部 claim 的信源卫生。
Versions
The database has no other skills named source-audit.
Database snapshot: 13.11.2026 · package version 3bcf368b39c7 (SHA-256 digest of the entire package)
Downloads in the last 30 days: 0 · ranking
Report a problem with this skill: harmful content, incorrect descriptions or an author’s removal request.
Similar skills
- 100research-claim-map
Fact-checks claims by triangulating sources, rating evidence quality and source credibility, and giving a confidence-rated verdict per claim. Use when verifying a founder's or market claim before a decision, the user says "fact-check", "verify this", "is this true", "evaluate… - 90audit-evidence
Audit numeric, artifact, log, citation, and cross-report claims against inspectable evidence. Use for reports, syntheses, benchmark claims, external citations, or conflicting Expert outputs. - 100np-research-report-claim-audit
Audit research-report claims and citations. Use when a researcher needs a final check of methods, results and interpretation. - 100deep-research
Answer a hard question with a cited research report: break it into sub-questions, search and triangulate across independent source types, check who each source is separately from whether it supports the claim, and report a claim-evidence table with confidence levels,… - 90research-evidence-table
Use when building a claim/evidence/source table from provided research materials. - 84research
Multi-source external research with source tiers, recency checks, and a coverage ledger. Use when: 'research this', 'verify a technical claim', 'evaluate libraries or approaches', 'compare X vs Y', 'is this still current', 'find the authoritative source', 'what do the official…