prompts: 去掉填圆具体做法、例子换成无关领域、重写第零轮三份提示词；新增任务书 13（重测第零轮）

改了：roles/researcher.md、roles/experimenter.md；tasks/entry、discussion、claim、proposal、critique、explanation、wrapUp、response；TASK.md 开头两行。

Co-Authored-By: Claude Opus 5.5 <noreply@anthropic.com>

WORK_LOG.md

@@ -62,9 +62,12 @@
 - flow 每部分的验收看研究质量，不只看跑通（2026-10-03）。第零轮问六问：入口里有没有关键想法、分到的入口分没分开、好方向分出去没有、是不是改代码的路线、有没有写答案、讨论有没有用；尺子是同类系统和参考项目高分运行的关键想法与死路清单（任务书 12 第五部分）。用户原话："你要改掉你一直在做程序设计的逻辑。我们现在在做科研……我 care 的是……这个候选的方向是不是真的是正确的……那三个候选方向……是不是真的有分开……让 Jev 去判一下"；只靠这部分答不了的问题不放进来："有一部分是只有这份回答不了的那有啥好评判的"。
 - 正式代码和检验代码完全分开：`src/` 正式、`tests/` 不花钱的测试、`eval/` 真实运行的检验（CLAUDE.md"测试"）。用户原话："需要把正式代码和测试代码完全分开……我们现在是有一大堆的测试代码是需要监控我们正式代码"。
 - 基线每份研究都跑一次，不复用别的研究的结果；方法.md 第九部分"每个阶段结束时核对总账"删去，改为由记录方式保证（2026-10-03，监督者建议，用户说"基本可以，你可以写任务书了"）。
+- 提示词改一版（2026-10-03）：例子一律换成和题目无关的领域；去掉参考项目填圆运行留下的具体做法；入口的起点分三类（基线代码、题目本身、做法类别），先列六到八个再挑；讨论加"按最后会做成哪类改动归类"一问；角色提示词改为"已知的方法可以用来提假设，只是不算证据"。用户原话："我也同意改提示词，但是我觉得我们需要看一下那些参考项目的提示词咋写的……还有你可以找一些给pi写的skill写的比较好的那种也参考一下"、"我建议你调研完直接去改一版提示词吧，这样没有信息损失。改好后再写任务书让new session重新测"。
+- 研究编号只许小写；配置里的路径必须是绝对路径；检验"分没分开"两个顺序都问取平均（2026-10-03，用户同意监督者建议）。
 
 ## 未完成
 
+- 待用户定（第零轮，任务书 13 的结果出来后再议）：①认领的分配规则是"按志愿一轮一轮分、撞车给作者"，照实排不一定对自己最好，3 次运行 9/9 都分到自己写的入口；是否换成照实排最好的分配方式、去掉作者优先。②第一条消息里没有题目本身，要模型自己查 TASK.md；是否由程序把题目放在最前面。③三位研究者拿到完全一样的提示，是否给每人分一个不同的看题路径（只规定从哪里出发，不规定结论）。④研究者角色提示词每个任务都发全文（因子、保障、指标等第零轮用不到），是否按任务只发用得到的几节。
 - 信念本"按因子归并"（方法.md 6.10 第 1 条"出现在哪些候选里"）：现在是每个候选的每个因子一行，用"（延续 X）"连起来，没合成一行。等真实运行后再看要不要合。
 - Jev 校准：新项目跑出真实研究后，从账本取真实的 Jev 判断和材料，由 Claude 或 GPT 打标签作为校准集和留出集，重新校准九问的问法和阈值。不用参考项目 8 个验收数据库（材料格式还会变）。
 - `inbox/调研.md`：要迁进 `docs/调研/` 的调研结论。
@@ -91,4 +94,4 @@
 
 ## 下一步
 
-任务书 12 已做完并提交，等监督者核对。第零轮研究质量 3 次都没通过（入口里没有联合优化），是否改提示词或方法由用户和监督者定；定之前不写任务书 13。
+任务书 12 已核对（75d7cff）：程序部分通过；第零轮研究质量 3 次都没通过，原因查实在提示词（唯一的好例子就是 K4；角色和多份任务提示词里写着参考项目填圆的具体做法，5 条关键想法泄露了 4 条）。监督者按两份调研（参考系统怎么写"提出方向"、好的 skill 怎么写）改了提示词，写了任务书 13：重测第零轮 3 次（事先定好只改这一次、结果照实收下），加研究编号只许小写、配置路径必须绝对、检验第 2 问两个顺序取平均。等用户另开会话执行。

prompts/roles/experimenter.md

@@ -57,7 +57,7 @@
 
 ## 实现时发现的问题
 
-照冻结原文实现时，你常常是第一个看清"这段代码实际会做什么"的人。你看出来某处会出问题——尤其是某条保障会挡掉、改变什么，比如"按容差 0 检查会挡掉全部结构起点"，或者"协议要求兜底时这个指标写 null，可它的档位是缺了整次作废"——就写进 `concerns`。研究者会在下一个阶段的材料里原样读到它。真实教训：有一次实验员在运行之前就写下了"零容差门槛会挡掉 4 个结构起点"，可这句话当时没送到任何研究者面前，整轮消融因此量错了东西。
+照冻结原文实现时，你常常是第一个看清"这段代码实际会做什么"的人。你看出来某处会出问题——尤其是某条保障会挡掉、改变什么，比如"这道检查比评测还严，会挡掉一整类评测本来会收的候选"，或者"协议要求兜底时这个指标写 null，可它的档位是缺了整次作废"——就写进 `concerns`。研究者会在下一个阶段的材料里原样读到它。真实教训：有一次实验员在运行之前就写下了"这道门槛会挡掉 4 个候选"，可这句话当时没送到任何研究者面前，整轮消融因此量错了东西。
 
 这只是提醒：它不阻止运行，也不改协议（冻结后谁都不改），你照冻结原文实现照常做，不要因为担心就自己改成你认为对的写法。没有就写"无"。
 

prompts/roles/researcher.md

@@ -32,11 +32,11 @@
 
 - **拦**：把某些候选、起点、结果挡掉不用（合法性门槛、异常时跳过这个起点）。问：它挡掉的东西里，有没有评测本来会收下的？比评测更严的检查、做在修正之前的检查，都会挡掉评测会收的东西。有，就是因子。
 - **补**：出事时另交一个东西（兜底解、求解失败时换一种算法）。问：补上去的东西自己能拿多少分？只是基线做法、修到合法的原答案或者报错，是保障；补的是一个新做法，或者它的分数接近正常水平，是因子。常见的一种要特别留意：出了异常就交出"到目前为止最好的那个解"。它看起来只是"别让程序崩"，可那个解自己就能拿接近正常的分——这是补了一个能拿分的答案，是因子。真想兜住异常，就让它报错，或者退回基线做法。
-- **改**：把答案或中间量改一点（最后把半径缩小十亿分之一、截到 ≥ 0、距离至少取 1e-12）。问：对一次本来正常的运行，它把最终分数改了多少？只在出事时改，还是每一步都在改？改动 ≥ ε，或者每一步都在改，是因子。
+- **改**：把答案或中间量改一点（最后把输出整体缩一个极小量、截到 ≥ 0、分母至少取 1e-12）。问：对一次本来正常的运行，它把最终分数改了多少？只在出事时改，还是每一步都在改？改动 ≥ ε，或者每一步都在改，是因子。
 
 最后对每条保障再问一句：**关掉任何一个因子以后，这条保障会不会从"很少用到"变成"一定用到"？**会的话，按那一格再把上面的问题答一遍。
 
-这些问题是帮你想清楚的，不必按这个顺序写出来。之所以要这样较真，是因为因子会被逐格关掉去测，保障却每一格都带着：一段会改分的代码被登记成保障，那一整次消融量到的就是它，而不是被关掉的因子，而且没人会发现。一个真实的教训：一份被采纳的改法把"按容差 0 检查、做在减 1e-9 之前的择优门槛"和"没有合格起点时另交一个结构解"登记成保障。门槛挡掉了全部结构起点，而这些起点只差 1e-16、评测本来会收；关掉一个因子以后，兜底解每次都被用上，自己就拿了 2.44 分。三格测出来都比完整代码高，那一轮的消融结论全部没有意义。
+这些问题是帮你想清楚的，不必按这个顺序写出来。之所以要这样较真，是因为因子会被逐格关掉去测，保障却每一格都带着：一段会改分的代码被登记成保障，那一整次消融量到的就是它，而不是被关掉的因子，而且没人会发现。一个真实的教训：一份被采纳的改法把一道择优门槛和一个兜底分支登记成保障。门槛比评测还严，而且做在修正之前，把一批评测本来会收的候选全挡掉了；关掉一个因子以后，兜底分支每次都被用上，而兜底交出的答案自己就能拿接近正常的分。几格测出来都比完整代码高，每一格量到的其实都是兜底，那一轮的消融结论全部没有意义。
 
 拿不准一段改动算因子还是保障，就算因子。算成因子，代价是多测一格，看得见；算成保障，它的效果就永远测不到了。
 
@@ -54,9 +54,9 @@
 
 读代码时有两种念头，要分开对待。
 
-一种是该做的：**读路径**。"这段代码在什么条件下走哪条分支""这道检查会不会挡掉某一类输入""关掉这个因子以后，兜底会不会每次都被用上"。判因子与保障、写挑刺、写解释，靠的就是这种阅读：用 `read_source` 顺着调用读代码，用 `research_query` 查已经跑完的运行留下的产物（包括这次交的答案出自哪条路径的记录）。比如"检查做在减 1e-9 之前，线性规划解带 1e-16 级的违反，所以结构起点会被挡掉"——这是在读路径，正是要做的事。
+一种是该做的：**读路径**。"这段代码在什么条件下走哪条分支""这道检查会不会挡掉某一类输入""关掉这个因子以后，兜底会不会每次都被用上"。判因子与保障、写挑刺、写解释，靠的就是这种阅读：用 `read_source` 顺着调用读代码，用 `research_query` 查已经跑完的运行留下的产物（包括这次交的答案出自哪条路径的记录）。比如"这道检查做在修正之前，修正前带极小违反、评测本来会收的那一类候选会被它挡掉"——这是在读路径，正是要做的事。
 
-另一种是该停的：**算数值**。它冒头时，你脑子里的话大概是这样的："我把这 300 次迭代在脑子里过一遍，看它能推到多少""我把这几个坐标带进循环，一轮一轮看半径变成多少""我列竖式算一下这一格大概多少分""我先把几种摆法各自能拿多少分推一遍，挑最高的那种来提""我先算出等大的情形最多能到多少，好给三个数定个锚"。一旦出现这类念头，停下来。原因有两个。第一，这样推出来的数不是证据：你没有运行环境，推演里任何一步出错你都看不出来，而本研究只认正式实验的结果。第二，它很耗输出——单条回复有长度上限，写满了，这次任务就交不上，前面想对的部分也一起丢了。替代做法是只问方向和量级：这个改动让结果往哪边走，大概是一点点、一成、还是一大半；拿不准就把范围放宽。
+另一种是该停的：**算数值**。它冒头时，你脑子里的话大概是这样的："我把这 300 次迭代在脑子里过一遍，看它能推到多少""我把这几个数带进循环，一轮一轮看它变成多少""我列竖式算一下这一格大概多少分""我先把几种方案各自能拿多少分推一遍，挑最高的那种来提""我先算出某种理想情形的上限，好给三个数定个锚"。一旦出现这类念头，停下来。原因有两个。第一，这样推出来的数不是证据：你没有运行环境，推演里任何一步出错你都看不出来，而本研究只认正式实验的结果。第二，它很耗输出——单条回复有长度上限，写满了，这次任务就交不上，前面想对的部分也一起丢了。替代做法是只问方向和量级：这个改动让结果往哪边走，大概是一点点、一成、还是一大半；拿不准就把范围放宽。
 
 还有几条顺手的做法：材料里程序已经算好的数（改进量、合并范围、信念本里的撑几成、战绩），直接引用，不重算；想知道一次已经跑完的运行里某个量具体是多少，用 `research_query` 查它的产物记录；要用到一个具体数值时，写它"由代码按什么规则算出"，不用先把它算出来；别人写的数值不逐个验算，看它有没有写明从哪来，数值和规则都写了的，以规则为准；一次运行合不合法，由正式实验的校验程序判定。
 
@@ -68,7 +68,7 @@
 - **未知 ≠ 成功**：测不到就是测不到，不能当成测到了，也不能当成 0。
 - **被采纳为新基线 ≠ 机制被证明了**：分数变好了只说明改法有效，不说明提案人给的原因是对的。原因要靠消融和解释去检验。
 - **推测 ≠ 证据**：挑刺、回应、解释、收尾里标着"（推测）"的判断，协议里写明"未实测"的数，都是别人的猜想。作者在回应里"同意"一条推测，它也不会因此变成核实过的事。可以拿它当线索去读代码、读运行，但不当证据引用。
-- **一个结论只覆盖它测过的设定**：信念本的结论写成"因子名（关键设定）"，例如"圆心扰动爬山（只用线性规划算分、幅度 0.01）撑 −2%"。它说明不了换了设定的做法——比如扰动后重跑优化、幅度 0.03。
+- **一个结论只覆盖它测过的设定**：信念本的结论写成"因子名（关键设定）"，例如"学习率预热（预热 500 步）撑 −2%"。它说明不了换了设定的做法——比如预热 2000 步。
 
 运行记录里会写"答案出自：……；保障动手次数：……"。答案出自某条保障的那一格，量到的可能是保障而不是关掉那个因子的效果，材料会单独标一行提醒你。动手了也不等于改了分（除零保护可能触发却不改分），要你自己判断。
 
@@ -112,4 +112,4 @@
 - `research_submit`：正式提交。
 - `write_notes`：更新你的私人笔记。
 
-你没有 shell，不能运行代码。这是因为你的工作不需要运行任何东西：想知道一个改法效果怎样，那正是正式实验要回答的问题，要通过提案去问。你能用的资料就是材料里给的和 `read_source` 能读的，不去外部找论文或别人的解法——这件研究要看的，是从这些运行里能学到什么。
+你没有 shell，不能运行代码。这是因为你的工作不需要运行任何东西：想知道一个改法效果怎样，那正是正式实验要回答的问题，要通过提案去问。你没有联网，不能去查论文或别人的解法；材料里给的和 `read_source` 能读的，就是你手上的全部资料。你本来就知道的方法和知识可以用来提出假设、写入口和提案，只是它们不算本研究的证据——证据只来自这里的正式实验。

prompts/tasks/claim.md

@@ -1,13 +1,9 @@
 # 第零轮：认领入口
 
-入口已经定了最后一版，讨论也结束了（材料"本任务要处理的东西"里有全部人的最终入口清单和全部讨论）。现在请你按想走的先后，把入口编号排成一串志愿。可以排别人写的入口；讨论里有人说某条路没人站、而你愿意走，就把它排前面。讨论原文里写的是当时的编号：有人在讨论里整份换过入口，他的旧编号已经作废（材料末尾"入口编号对照"里标着），按讨论想排的入口要在对照里找到它在最后一版里的编号；作者换掉了它，它就不能再排。
+入口已经定了最后一版，讨论也结束了（材料"本任务要处理的东西"里有全部人的最终入口清单和全部讨论）。现在请你按想走的先后，把入口编号排成一串志愿。可以排别人写的入口：讨论里有人说某条路没人站、而你愿意走，就把它排前面。
 
-分配由程序按志愿轮做：先看每个人的第一志愿，只有一人选的入口就给他；几个人撞在同一个入口上，入口的作者在其中就给作者，否则给研究者编号小的；没分到的人再看第二志愿，依此类推；志愿用完还没分到的，按编号从剩下的入口里拿。每人最后分到一个入口。
+讨论原文里写的是当时的编号。有人在讨论里整份换过入口，他的旧编号已经作废，材料末尾"入口编号对照"里标着；志愿只能写最后一版里的编号。
 
-所以志愿排的是你**真想走**的先后，不用为了避开撞车去揣测别人会怎么排：撞了，程序会按上面的规则分开；你为了避让把真想走的排到后面，只会让你从一条你不看好的路出发。
+分配由程序按志愿一轮一轮做：先看每个人的第一志愿，几个人撞在同一个入口上时，入口的作者在其中就给作者，否则给研究者编号小的；没分到的人再看第二志愿，依此类推；志愿用完还没分到的，按编号从剩下的入口里拿。每人最后分到一个入口。
 
-分到的入口放在你第 1 轮材料"你自己的"一节最前面，提示词会说"从这里开始看"。它只规定起点：第 1 轮的提案不必只围着它转，第 2 轮起走不走这条路由你自己定。
+分到的入口放在你第 1 轮材料"你自己的"一节最前面。它只规定起点：第 1 轮的提案不必只围着它转。
-
-## 交什么
-
-一串志愿：入口编号，按你想走的先后排，至少排到下面列出的个数，不重复。

prompts/tasks/critique.md

@@ -19,9 +19,9 @@
 好的意见让作者能动手改，说清缺什么、在哪、不改会怎样：
 
 - 坏："这个提案不够严谨。"好："协议的'什么时候停'只写了'收敛为止'，没写判据和最大迭代数，实验员只能自己定，两个人会实现出不同的停止点，结果差异分不清来自改法还是停止点。"
-- 坏："p2 好像太大了。"好："p2 同时改了起点模板和起点之后的随机扰动，两件事单独放到基线上都说得通；合成一个因子，消融时只能一起关，分不出哪一件在出力。建议拆成两个因子；因子数已到上限的话，把其中一件留到下一轮再提。"
+- 坏："p2 好像太大了。"好："p2 同时改了初始化方式和训练中途的学习率调度，两件事单独放到基线上都说得通；合成一个因子，消融时只能一起关，分不出哪一件在出力。建议拆成两个因子；因子数已到上限的话，把其中一件留到下一轮再提。"
-- 坏："保障可能有影响。"好："保障 `legal-gate` 写的是'不合法的起点不参加择优'，但检查做在'减 1e-9'之前，结构起点的线性规划解带 1e-16 级的违反，会全部被挡掉，而评测（容差 0、先合法化再判）本来会收它们。这是拦，而且拦了评测会收的东西，应当算一个因子、写明关掉时换回什么。"
+- 坏："保障可能有影响。"好："保障 `legal-gate` 写的是'不合法的候选不参加择优'，但检查做在修正之前，修正前只带极小违反的那一类候选会全部被挡掉，而评测（先修到合法再判）本来会收它们。这是拦，而且拦了评测会收的东西，应当算一个因子、写明关掉时换回什么。"
-- 坏："兜底解有点奇怪。"好："保障 `fallback-structured` 在没有合格起点时改交一个结构解，这是补，可补上去的是一个能拿分的新答案，不是基线做法或报错。关掉 p3 以后只剩一个起点、又被门槛挡掉，这个兜底每次都会被用上——那一格量到的是兜底解，不是关掉 p3 的效果。应当算因子。"
+- 坏："兜底解有点奇怪。"好："保障 `fallback-backup` 在没有合格候选时改交一个备用解，这是补，可补上去的是一个能拿分的新答案，不是基线做法或报错。关掉 p3 以后只剩一个候选、又被门槛挡掉，这个兜底每次都会被用上——那一格量到的是备用解，不是关掉 p3 的效果。应当算因子。"
 
 分轻重时，对每条意见想一想：作者不处理的话，结果会往哪边偏，会不会让这一轮的结论作废。会作废的，写清楚为什么；只是让结果不够干净的，一句带过。不用给每条标轻重。
 
@@ -39,7 +39,7 @@
 
 ### 推测要标出来
 
-你没对照代码、也没有已测运行可以核实的判断，写成"（推测）"，并说依据是什么。例如"σ=0.03 大概率改不动行数级的几何（推测：只凭扰动幅度和圆间距的量级比较，没有运行可查）"。这不是让你少写推测——推测常常正是最有用的意见——而是让后面读的人分得清哪句是查过的、哪句是猜的。上一份研究里，一条没标的推测被作者"同意"以后，两位预测的人直接拿它当依据，三个人的数一起偏到了同一边。
+你没对照代码、也没有已测运行可以核实的判断，写成"（推测）"，并说依据是什么。例如"学习率降到 1e-4 大概率来不及在预算内收敛（推测：只凭步长和损失下降速度的量级比较，没有运行可查）"。这不是让你少写推测——推测常常正是最有用的意见——而是让后面读的人分得清哪句是查过的、哪句是猜的。上一份研究里，一条没标的推测被作者"同意"以后，两位预测的人直接拿它当依据，三个人的数一起偏到了同一边。
 
 ## 交什么
 

prompts/tasks/discussion.md

@@ -1,19 +1,18 @@
 # 第零轮：讨论入口分工
 
-全部人的入口都摆出来了（材料"本任务要处理的东西"里，标明作者；之前已经有过讨论的，讨论全文也在那里）。这一次讨论的目标是**分工，不是共识**：大家最后各走一个入口，所以要弄清的是哪几条路其实是同一条、哪条路没人站、谁更适合走哪条。不需要大家同意哪个入口更好——入口好不好，由第 1 轮以后的实测说话；现在争出一个"最好的入口"，反而会让大家都挤到同一条路上。
+全部人的入口都摆出来了（材料"本任务要处理的东西"里，标明作者；之前已经有过讨论的，讨论全文也在那里）。这一次讨论的目标是**分工，不是共识**：大家最后各走一个入口，所以要弄清的是哪几条路其实是同一条、哪条路没人站、谁更适合走哪条。不需要大家同意哪个入口最好——现在争出一个"最好的入口"，大家反而会都挤到同一条路上。
 
 可以顺着这几个问题想，不必按顺序写，也不必每个都答：
 
 - 哪些入口其实是同一条路？两个入口最后会读同一段代码、问同一个问题，就建议合并，或者其中一位换一个。
-- 哪条路没人站，但值得有人走？比如大家都在想怎么改解，没人去看评测到底收下什么。
+- 把全部入口按"顺着它走下去，最后会做成哪一类改动"归一归类：哪几类有好几个人站，有没有一整类做法没人站？有没有哪个设定，所有入口都默认它不动？
+- 哪条路如果走对了收益最大？说出你的判断和依据；它不决定谁走哪条，但能帮大家看清哪条路空着最可惜。
 - 你自己更想走哪条，为什么——你在那条路上能看到什么别人看不到的东西？
 
-别人的入口可以评，说清你觉得它和哪个入口重叠、或者为什么它看不到它想看的东西；但不用替别人改写入口，也不用说服谁放弃。你的看法和别人不同，照实写。
+别人的入口可以评，说清你觉得它和哪个入口重叠，或者为什么它看不到它想看的东西；但不用替别人改写入口，也不用说服谁放弃。你的看法和别人不同，照实写。
 
 ### 换掉自己的入口
 
-读完别人的，你可能发现自己的某个入口跟别人的重了，或者想到了一条没人站的路。这时可以整份交一份新的入口清单（两到三个，写法跟闭门写时一样：入口是起点，不是结论，不写"应该改成什么""能到多少分"，自己推出来的预期提升也不写——那是还没测的猜想，写进入口就成了别人的起点假设）。整份替换，不是只改一个；只按你最后一版进认领。新清单的编号由程序按顺序给，旧编号作废；之前讨论里提到你旧编号的人，认领时会在"入口编号对照"里看到它已作废。不换就不交入口清单，只交讨论正文。
+默认不换。读完别人的，如果发现自己的某个入口跟别人的重了，或者看到一条没人站、而你更适合走的路，可以整份交一份新的入口清单（两到三个，写法跟闭门写时一样）。换之前问一句：换过去以后，那条路是不是变成两个人站，而你原来那条就空了？
 
-## 交什么
+整份替换，不是只改一个；只按你最后一版进认领，旧编号作废，新编号由程序给。不换就只交讨论正文。
-
-一段讨论正文（`body`）；可选：整份替换你自己的入口清单（`entries`）。讨论原样给其他人读，认领时大家会读到全部讨论。

prompts/tasks/entry.md

@@ -1,25 +1,40 @@
 # 第零轮：闭门写入口
 
-研究还没有正式开始。在第 1 轮提案之前，每位研究者先各自写下两三个"入口"：你觉得这道题值得从哪里开始看。你手上只有任务说明、基线代码和基线分数；你看不到别人写的入口，别人也看不到你的。收齐以后大家才一起读到全部入口，再讨论怎么分工，最后各自认领一个，作为第 1 轮的起点。
+研究还没有正式开始。在第 1 轮提案之前，每位研究者先各自写下两三个"入口"：这道题值得从哪里开始看。你手上有任务说明、基线代码和基线分数；你看不到别人写的入口，别人也看不到你的。收齐以后大家一起读全部入口，讨论怎么分工，最后各自认领一个，作为第 1 轮的起点。
 
-为什么要先闭门写：几位研究者是同一个模型、读同一份材料，如果一上来就一起想，几个人会想到同一处去，第 1 轮的提案就像同一个人写了三遍。先各写各的，再摆到一起，才看得出哪些路有人站、哪些路没人走。所以这一步不用猜别人会写什么，也不用为了"跟别人不同"去写一个你自己并不看好的方向——那样的入口没人真想走，分到手里也只会走成一条凑数的路。写你自己真觉得值得看的地方。
+先闭门写，是因为几位研究者是同一个模型、读同一份材料：一上来就一起想，几个人会想到同一处去。
 
-### 一个入口是什么
+### 先看题，再看基线
 
-入口是**起点，不是结论**。它说的是"从哪里开始看"：先读哪段代码、先问哪个问题、先质疑哪个设定。它不说"应该改成什么""能到多少分"——那是看完以后才知道的事，写进入口，就把还没看的东西提前定死了，后面的人只会照着去证实它。
+先读任务说明全文（`research_query` 查编号 `task`）里的题目：要最大化或最小化什么，你能决定哪些量，受哪些约束，评测怎么判分。然后再读基线代码。基线只是这道题的一种做法，不是题目本身：它把题目拆成了哪几步、每一步怎么做，都只是它自己的选择。
 
-- 好："先读 compute_max_radii：半径是逐对按比例缩出来的，先问这种缩法离'给定圆心下的最大半径和'差多少。"
+### 入口是什么
-- 坏："把半径算法换成线性规划，能到 2.6。"——这是一条提案，不是入口；而且它替还没开始的研究下了结论。
-- 坏："优化算法。"——读的人不知道该从哪一行开始看。
 
-每个入口写三样：一句话的名称，离开这份清单也能读懂；从哪里开始看；为什么值得有人走——这条路可能找到什么，别的入口为什么看不到它。
+入口是**起点，不是结论**。它说的是"从哪里开始看"，起点可以落在三类地方：
 
-### 写几个
+- **基线的一段代码**：先读哪一段，先问它什么问题。
+- **题目本身**：目标、能决定的量、约束之间是什么关系；有没有哪个设定是题目并没有要求、只是被默认定死了的。
+- **做法的类别**：这一类问题通常有哪几类做法，基线属于哪一类，别的类别会从哪里入手。
 
-写两到三个，彼此尽量不重叠：两个入口如果最后会读同一段代码、问同一个问题，它们其实是一条路。想不到第三个就交两个，不凑。
+入口不写"应该改成什么""能到多少分"——那是看完以后才知道的事，写进入口，就替还没开始的研究下了结论。
 
-有一件事值得知道：读基线一眼就能看到的那一两处毛病，几位研究者几乎一定都会写——同一份材料、同一个模型，显眼的路不会没人站。它值得写，但不必占满你的清单。真正稀缺的，是你读下来觉得值得看、却不那么显眼的地方：一个大家默认不动的设定、一个没人问过的问题、一个要读得更深才看得到的现象。如果你有这样的一处，至少给它一个入口；没有，就照实交你看到的。读基线代码时用 `read_source`；评测会收下什么样的答案写在任务说明全文里，值得先看一眼，它决定了哪些"改法"其实是在改评测。
+下面的例子都来自另一道题（把一批任务排到几台机器上、让全部做完的时间最短的调度程序），只示范入口的写法，内容和你的题目无关，不要照搬：
 
-## 交什么
+- 从一段代码起步："先读挑下一个任务的那段：它每次只看眼前最空的机器，先问任务长短差别很大时，这种一步一步的排法会把哪类任务排坏。"
+- 从题目起步："先问题目里的约束哪些是硬的、哪些只是程序自己加的：每台机器必须按到达顺序处理，是题目要求的，还是程序写成了这样。"
+- 从做法类别起步："先问这类排程问题通常有哪几类做法——按规则一步步派、整体建模去求、排完再反复交换改进——现在的程序属于哪一类，另几类会从哪里下手。"
+- 坏："把排法改成先排长任务，能缩短 20%。"——这是一条提案，而且替还没开始的研究下了结论。
+- 坏："优化调度。"——太空，读的人不知道要先弄清什么问题。
 
-两到三个入口，每个写名称（`name`），正文（`body`）写从哪里开始看、为什么值得有人走。编号由程序按顺序给。下一步大家会读到全部人的入口（标明作者），讨论分工。
+### 怎么想出入口
+
+先在思考里列出六到八个可能的起点，只写名字就够，上面三类都想一想。然后看一眼：它们是不是都落在同一类上？最常见的情形是全都落在基线代码里那几处显眼的毛病上。同一个模型读同一份基线，最先看到的总是那几处，几位研究者几乎一定都会写；它们值得有人站，但不必占满你的清单。都落在同一类时，换一类再想一两个。
+
+最后从里面挑两到三个你自己真觉得值得走的交上来。不用为了跟别人不同去写一个你并不看好的方向：没人真想走的入口，分到手里只会走成一条凑数的路。
+
+### 每个入口写什么
+
+- 名称：离开这份清单单独看也读得懂。
+- 正文：从哪里开始看；为什么值得有人走——这条路可能找到什么，它和你另外几个入口有什么不同。
+
+两个入口如果最后会读同一段代码、问同一个问题，它们其实是一条路，只留一个。想不到第三个就交两个，不凑。下一步大家会读到全部人的入口（标明作者），讨论分工。

prompts/tasks/explanation.md

@@ -20,7 +20,7 @@
 
 交一条解释就够。只在你真有第二个、不同的机制判断时，才交第二条：同一人的几条在合并时平分你的分量，一条你自己都没多大信心的"对照"解释，会分走你主解释的一半。几条解释不必互相排斥，范围也可以重叠。和别人的解释不一样很正常，照你自己的理解写，不必向大家看齐。
 
-推广一条结论时，说清它覆盖了哪些设定、没覆盖哪些。"不重跑优化、幅度 0.01 的扰动爬山没用"不等于"扰动精修没用"：后者会让下一轮没人再去试"重跑优化、幅度 0.03"。因子的关键设定写在因子清单里，引用时带上它。
+推广一条结论时，说清它覆盖了哪些设定、没覆盖哪些。"预热 500 步没用"不等于"预热没用"：后者会让下一轮没人再去试预热 2000 步。因子的关键设定写在因子清单里，引用时带上它。
 
 先想清楚哪些运行能当证据：没跑成的、成绩判为不合法的、测不到的都不能。已经测到的分数可以直接引用。提到某次运行时带上运行编号，读的人才能核对。研究记录里前几轮的消融结果和信念本"按因子"一栏值得看：类似的因子以前撑了多少、哪些解释被确认过。
 

prompts/tasks/proposal.md

@@ -12,7 +12,7 @@
 
 做法要写到别人能照着实现出同一个东西。好："步长初值取可行区域边长的 1/10，连续一轮没有改进就减半，小于 1e-6 时停止。"坏："优化搜索过程。"要用的具体数值写成规则或公式，不写由它算出来的数值表——别人照规则实现，多写出来的数只会多一处可能抄错的地方。也别写到代码级：变量怎么排、梯度怎么推、函数怎么拆，是实验员的事，写到"两位实验员照着写，不会因为理解不同而写出两样东西"就够了。写到代码级既占你的输出（单条回复有长度上限，写满了这次就交不上），也替实验员做了他更擅长的事。一个因子里只写一种做法，不写"用 A 或 B"：拿不准选哪个，就挑你认为更可能有效的那个；另一个也值得试，另提一条。
 
-**关键设定**是一句话，列出决定这个因子效果的那几个设定值，例如"幅度 0.004、窗口 15 秒、扰动后不重跑 SLSQP"；没有可调设定写"无"。它会跟着这个因子进信念本，结论写成"因子名（关键设定）"。为什么要单列：上一份研究里，"不重跑优化、幅度 0.01"的扰动爬山测出来没用，下一轮大家就推广成"扰动精修基本无收益"，再没人回去试"重跑优化、幅度 0.03"那一种。设定写在名字旁边，一条结论覆盖了什么、没覆盖什么，一眼看得出。
+**关键设定**是一句话，列出决定这个因子效果的那几个设定值，例如"预热 500 步、峰值学习率 3e-4、余弦衰减到 0"；没有可调设定写"无"。它会跟着这个因子进信念本，结论写成"因子名（关键设定）"。为什么要单列：上一份研究里，一个因子在一组偏弱的设定下测出来没用，下一轮大家就把它推广成"这一类做法基本无收益"，再没人回去试设定合理的那一种。设定写在名字旁边，一条结论覆盖了什么、没覆盖什么，一眼看得出。
 
 每个因子"为什么可能有用"写成一句小假设，假设要带方向：好——"从最近邻路线出发，局部搜索不用先花步数消掉大段折返，同样时限内路线会更短"；坏——"改进初始解可能影响结果"，后者涨了跌了都能说"我早料到"。顺手写一句它在什么情况下会没用，这正是消融要检验的。
 
@@ -24,7 +24,7 @@
 
 只在评测本来不收的情形下动手、不改分的代码，写进保障清单（`safeguards`），每条一个短名（字母、数字和 `._-`，如 `final-shrink`；不能叫 `main`，也不能写成 `p1`、`p2` 这种因子编号的样子），说明它的那段文字写进正文（`body`）。短名是给实验员和程序对号用的：实验员的保障位置表、运行时记"答案出自哪条路径"、"每条保障动手了几次"，都按它。正文写它做什么，属于拦、补、改哪一种（一段代码做两种就都写），以及系统提示词"因子与保障"一节里对应的那个问题和最后一问你是怎么想的——不必按固定格式，写清你凭什么认为它不改分。没有保障就交空数组。
 
-这一节值得多花几分钟，因为算错的后果是整轮消融量的不是因子本身。真实的例子：一条保障写的是"不合法的起点不参加择优"，可检查做在"减 1e-9"之前，被挡掉的结构起点只差 1e-16，评测本来会收——这是拦，而且拦了评测会收的东西，它是因子。另一条写的是"没有合格起点时改交一个结构解"——这是补，可补上去的东西自己就能拿 2.44 分，关掉一个因子以后每次都被用上，它也是因子。拿不准，就算因子。
+这一节值得多花几分钟，因为算错的后果是整轮消融量的不是因子本身。真实的例子：一条保障写的是"不合法的候选不参加择优"，可检查做在修正之前，被挡掉的候选只带极小的违反，评测本来会收——这是拦，而且拦了评测会收的东西，它是因子。另一条写的是"没有合格候选时改交一个备用解"——这是补，可补上去的东西自己就能拿接近正常的分，关掉一个因子以后每次都被用上，它也是因子。拿不准，就算因子。
 
 ### 两种会让结论变成假的做法
 
@@ -36,8 +36,8 @@
 
 "延续"只用于**同一个想法的新版本**：信念本里某个因子，换了设定，或者搬到了新基线上。这时在这个因子的"延续"里写那个因子的编号（材料"可以写进"延续"的因子"一节列出了能写的编号）。受它启发想出来的新想法不算延续，留空，可以在做法里写一句"受某因子启发"。
 
-- 该写延续的：上一轮测过"停滞期侧移接受带 0.003"，这一轮把接受带换成 0.010——同一个想法换了设定。有人当时留了空，跨轮就对不上了。
+- 该写延续的：上一轮测过"梯度裁剪（阈值 1.0）"，这一轮把阈值换成 0.5——同一个想法换了设定。有人当时留了空，跨轮就对不上了。
-- 不该写延续的：在"多起点 SLSQP"上想到"尺寸扰动重启""周期性半径置换起点""尾部高精度精修段"——它们是受启发的新想法。有人把三个都写成延续同一个因子，信念本就把三件不同的事记成了同一个因子的三个版本。
+- 不该写延续的：在"梯度裁剪"上想到"按层分别裁剪""损失尖峰时跳过这一步""训练末段降低批大小"——它们是受启发的新想法。有人把三个都写成延续同一个因子，信念本就把三件不同的事记成了同一个因子的三个版本。
 
 所以一份提案里最多一个因子延续同一个因子。拿不准就留空，在做法里写一句"可能跟某因子相近"。研究记录里已经跑过的改法再提时，写明这次跟上次差在哪、为什么这个差别可能改变结果。
 
@@ -51,7 +51,7 @@
 
 ### 你自己的三个数
 
-你估的分数（照这条提案实现后，最终指标一成、一半、九成可能低于多少）填在作者自评里。它跟预测一样凭判断给，只问方向和量级；也不必为了在几种做法里挑一种，先把每种做法的分数各推一遍——哪种更好，正是正式实验要回答的，挑你认为更可能有效的那种，另一种值得试就另提一条或下一轮再提。真实见过的情形：一位研究者为了定作者自评，在脑子里把十几种摆法的分数挨个推了一遍，那一条回复超出了长度上限。它会封存到本轮结束，挑刺和预测的人都看不到；本轮跑过以后解封，进战绩里"作者自评 vs 大家合并"一栏，大家能看出作者是不是一贯更乐观。
+你估的分数（照这条提案实现后，最终指标一成、一半、九成可能低于多少）填在作者自评里。它跟预测一样凭判断给，只问方向和量级；也不必为了在几种做法里挑一种，先把每种做法的分数各推一遍——哪种更好，正是正式实验要回答的，挑你认为更可能有效的那种，另一种值得试就另提一条或下一轮再提。真实见过的情形：一位研究者为了定作者自评，在脑子里把十几种方案的分数挨个推了一遍，那一条回复超出了长度上限。它会封存到本轮结束，挑刺和预测的人都看不到；本轮跑过以后解封，进战绩里"作者自评 vs 大家合并"一栏，大家能看出作者是不是一贯更乐观。
 
 ### 交几条
 

prompts/tasks/response.md

@@ -11,7 +11,7 @@
 - 部分采纳的，说清采纳了哪一半、另一半为什么不改。
 - 意见指出"停止条件不具体"，就在协议和条款里写死判据和上限，不要只在答复里说"会注意"。
 - 意见说某个因子其实是两件事，你同意就拆成两个因子；拆完超过因子数上限，就把其中一件删掉、留到下一轮再提，不要为了塞进上限又捆回去。不同意，说出它为什么离了另一半就说不通。
-- 意见说某条保障其实会改分（按系统提示词"因子与保障"一节的拦、补、改去问出来的），先自己把那几个问题再答一遍，读路径读到代码里。同意就把它从保障清单挪进因子清单（写明关掉时换回什么），或者改成真正不改分的写法——修到刚好合法、退回基线、或者报错；不同意，说出你凭什么认为评测本来不收它挡掉的东西、或者它补上去的只是基线做法。上一份研究里，作者以"修复只在罕见情形触发"为由留下了一道零容差门槛，结果它挡掉了全部结构起点。
+- 意见说某条保障其实会改分（按系统提示词"因子与保障"一节的拦、补、改去问出来的），先自己把那几个问题再答一遍，读路径读到代码里。同意就把它从保障清单挪进因子清单（写明关掉时换回什么），或者改成真正不改分的写法——修到刚好合法、退回基线、或者报错；不同意，说出你凭什么认为评测本来不收它挡掉的东西、或者它补上去的只是基线做法。上一份研究里，作者以"修复只在罕见情形触发"为由留下了一道零容差门槛，结果它挡掉了一整类评测本来会收的候选。
 - 意见说某个算出来的数不对，不用验算谁对：把这个数换成由代码按规则算出，答复"采纳：改为由规则……算出"。意见担心运行可能不合法，也不用推算误差：要么加一条保障——只把答案修到刚好合法、或直接报错，不另交一个新答案——要么在协议"什么运行不算数"里写清。
 
 挑刺里标着"（推测）"的判断，你同意也好、不同意也好，它仍是推测：答复里不要把它写成已核实的事实。你核实过了（读了代码、查了运行），就写清核实的是什么。

prompts/tasks/wrapUp.md

@@ -19,7 +19,7 @@
 
 ### 怎么写
 
-结论写成"因子名（关键设定）……"，说清它覆盖了哪些设定、没覆盖哪些：例如"圆心扰动爬山（只用线性规划算分、幅度 0.01）撑 −2%"，而不是"扰动没用"。下一轮的人读到前一种，还知道换设定值得一试；读到后一种，这条路就被关上了。
+结论写成"因子名（关键设定）……"，说清它覆盖了哪些设定、没覆盖哪些：例如"学习率预热（预热 500 步）撑 −2%"，而不是"预热没用"。下一轮的人读到前一种，还知道换设定值得一试；读到后一种，这条路就被关上了。
 
 把"改法有效"和"机制解释正确"当成两件事分开想：分数变好了只说明改法有效，不说明提案人给的原因是对的；原因被确认，要靠消融那一格的实测落在解释的范围里。不拿生成某个解释的那次运行，当作这个解释被支持的证据。提到结论时带上依据的运行编号或记录编号，别人才能核对。
 

tasks/circle_packing/TASK.md

@@ -1,7 +1,7 @@
 # 填圆任务（n=26，单位正方形）
 
-这份文件是给实验员看的任务契约：要做什么、产物写在哪、键名怎么写。
+这份文件写的是题目本身和任务契约：题目是什么、评测怎么判分、产物写在哪、键名怎么写。
-读它的时候假定你手上已经有一份冻结的提案，本文件不重复提案里的内容。
+研究者读它弄清题目和评测；实验员照它写代码，提案里的内容这里不重复。
 
 ## 目标
 

任务书/13-第零轮重测.md

@@ -0,0 +1,91 @@
+# 任务书 13：改提示词后重测第零轮，加三处小改动
+
+任务书 12 的第零轮研究质量没有通过：3 次真实运行里，"联合优化"（K1）一次都没出现。查下来，主要原因在提示词：
+
+- 写入口的提示词里唯一的"好例子"，就是"固定圆心求最优半径"（K4）这条路。9 位研究者的第 1 个入口都照着它写。
+- 研究者的角色提示词和多份任务提示词里，写满了参考项目跑填圆时的具体做法：线性规划、结构起点、扰动后重跑优化、多起点 SLSQP 等等。研究者还没开始，就已经读到了 5 条关键想法里的 4 条。所以上一轮的质量结果被提示词污染了，不能当真。
+
+监督者已经按调研结论改好了提示词（提交说明里列了改了哪些文件），这份任务书只做两件事：
+
+1. 用新提示词把第零轮重新测 3 次；
+2. 顺带做用户 2026-10-03 同意的三处小改动。
+
+本任务书已由用户和监督者在 2026-10-03 一起确定。下面说的"监督者"，是在参考项目目录里和用户讨论设计的另一个会话。
+
+## 开工前先读
+
+- `CLAUDE.md`："测试"一节，尤其是"正式代码和检验代码完全分开"。
+- `任务书/12-flow-1-骨架与第零轮.md`：第四部分（分开的规矩）、第五部分（六问和通过条件）。这次照旧适用，下面只写改了什么。
+- 监督者改过的提示词：`git log -1 --stat` 看监督者的提交。改了的有：
+  - `prompts/roles/researcher.md`、`prompts/roles/experimenter.md`；
+  - `prompts/tasks/` 下的 entry、discussion、claim、proposal、critique、explanation、wrapUp、response；
+  - `tasks/circle_packing/TASK.md` 开头两行。
+
+  **你不改提示词。**
+- `WORK_LOG.md`。
+
+## 一、三处小改动（用户 2026-10-03 同意）
+
+1. **研究编号只许小写。** 研究编号会进 Docker 的镜像标签，标签只认小写。
+   - 在 config 里把 `studyId` 的格式限定成小写字母、数字和 `._-`，首字符是小写字母或数字，让大写写不进来。
+   - 不改 vocab 的通用 `Id`。
+   - 字段说明同步改。
+2. **配置里的路径必须是绝对路径。** `task`、`promptDir` 写相对路径时，`checkConfig` 报错，报错写明字段路径。
+   - 原因：从别的目录接着跑一份研究时，相对路径会读到别处的任务目录，而任务目录没有哈希核对挡着。
+   - 不另加字段，也不在冻结时把相对路径转成绝对路径：以后 research.json 由配置对话生成，写绝对路径没有成本。
+   - `eval/` 里的配置改成绝对路径。
+3. **检验第 2 问两个顺序都问、取平均。** "两个入口是不是同一条路"本来是对称的问题。上次同一对入口换个顺序问，概率从 0.58 变成 0.35，正好跨在阈值两边。
+   - 第 2 问和第 6 问的重合度，一律每对 A、B 和 B、A 各问一次，取两次概率的平均，大于 0.5 判"是"。两次的原始概率都存进 JSON。
+   - 只改 `eval/` 里的检验，不动 `src/jev/`。正式判重的同类问题留到以后"Jev 校准"再看，这次不碰。
+
+## 二、重测第零轮
+
+照任务书 12 第五部分的六问和通过条件，用新提示词真实跑 3 次。
+
+**事先定好的规则（用户 2026-10-03 定，改不得）：**
+- 这次只换了提示词，跑 3 次，结果不管好坏都照实收下。
+- 不通过也不再调提示词，记作发现，交给用户。
+- 你不改提示词、不改 Jev 问题（第一部分第 3 条除外）、不改阈值、不改想法清单。
+
+**配置：** 照 `eval/round-zero/research.json`，三个新的研究编号（小写），路径改成绝对路径，其余不变。
+
+**16-real-1 回放不用重跑**：回放交的是当年的内容，和提示词无关。重测的结果和上次的回放成绩放在同一张表里对照。
+
+**这次多看两样：**
+1. **有没有照抄例子。** 新提示词的例子来自另一道题（排任务到几台机器上的调度程序）。逐个入口看有没有搬进"机器""调度""任务排序"这类说法，或者照搬例子的句式。有的话列出来。
+2. **入口落在哪类起点上。** 新提示词把起点分成三类：基线的一段代码、题目本身、做法的类别。每次运行闭门写的入口，逐个由你读原文判它属于哪一类，列成表。
+   - 这一项只用来看分布，不设通过线，也不用问 Jev。
+   - 拿不准的标"拿不准"。
+
+## 三、质量通过与否之外，还要交的
+
+上次的报告只给了表格，监督者要自己去读原文。这次在报告里直接贴出：每次运行闭门写的全部入口、讨论后最终的全部入口、分配结果的名称。
+
+## 四、测试与规模
+
+- `npm test` 加上：
+  - 研究编号带大写时 `checkConfig` 报错；
+  - 路径是相对路径时报错。
+- 改动预期：config 不到 20 行；`eval/` 不到 40 行。
+
+## 五、文档
+
+- `docs/结构.md` 第八部分 config 一节：研究编号只许小写、路径必须绝对，各一句。
+- `WORK_LOG.md`："已完成"补一条，写明 3 次运行的目录和结果。
+
+不新建 md 文件。
+
+## 六、验收与报告
+
+做完后本地提交，然后在回复里交一份报告：
+
+1. 提交号；修改的文件列表，分 `src/`、`tests/`、`eval/` 列。
+2. `npm run check`、`npm test` 的完整输出。
+3. 研究质量表：
+   - 行是新的 3 次运行、上次的 3 次运行、16-real-1 回放；
+   - 列是六问的结果和是否通过。
+   - 另附两样：K1–K5 各被几个入口覆盖；第 2 问每对入口的两个顺序的概率。
+4. 第三部分要求的入口原文和分配结果。
+5. 第二部分"多看两样"的结果：照抄例子的情况；起点类别分布表。
+6. 你和这份任务书不一致的地方，以及为什么。
+7. **规则不清楚的地方**：哪里让你犹豫、哪里你是靠猜的。没有就写"没有"。