过程记录

正式运行之前做过哪些试点和自检，中途改过什么、为什么改，按时间排（北京时间）。试点和自检的产出都不进评审，日志照样公开。

1. 10-20 07:22
   检查运行环境，给参赛仓库做安全检查

   本机是 Claude Code 2.1.304，评审复核用 Codex CLI 0.163.0。11 个参赛仓库先用清单收录时那套安全检查脚本查了一遍（不调模型，查二进制和压缩包、安装钩子、远程执行、读敏感文件）：8 个通过，3 个「要看」。逐个打开看过：oh-story 和 chinese-webnovel-skills 被标出的是 Windows 上的启动脚本（.cmd、.bat），只是找 Python 再运行；oh-story 的浏览器控制 skill 和 webfiction-write 的扫榜脚本会在用户自己打开的网页里读登录态，用来抓榜单。这些都不是恶意代码，而且沙箱里不能联网、没有浏览器，用不上。另用便宜的模型确认了一件事：项目级 skill 的调用名是它的文件夹名，入口按文件夹名写。

   证据：contestants.toml

2. 10-20 07:24
   沙箱自检：围栏拦不拦得住

   用和正式运行同一段围栏代码，让便宜的 claude-haiku-5-5 在一个假的工作目录里逐条试：读运行者的主目录、读别的参赛者的目录、列上一级目录、联网、在工作目录外写文件，全部被拦；用 Read 工具读别的参赛者的文件也被拒，它开的子 agent 同样受限。python3、node 能跑，cd 之后在工作目录里能写，for 循环能跑。第一轮修过的两个权限问题没有复发。

   证据：沙箱自检 1

3. 10-20 07:25
   试点：对照组和 webnovel-writer 各跑一次

   第一次启动时，运行器里新加的「读这一轮的开场指令和固定回复」的函数和一个变量重名，还没调用模型就报错退出；改名后重跑。对照组 3 轮写完。webnovel-writer 跑了 6 轮：第 1 轮 3 分半钟写出选题，第 2 轮把一个文件拆成和需求对应的两份，第 4 轮自查时改了一处设定矛盾，之后两轮没再改，停下。开场指令、固定回复和停止规则都按设计工作。试点产出不进评审，正式运行全部重跑。

   证据：试点 1 · 对照组（不装 skill） · 试点 1 · lingfengQAQ/webnovel-writer · run.py

4. 10-20 07:30
   正式运行第 1 批

   12 个参赛组（11 个 skill 加对照组）的第 1 次运行同时开始，07:35 全部写完。

   证据：本记录的运行列表

5. 10-20 07:35
   正式运行第 2 批

   12 个参赛组的第 2 次运行开始，07:40 全部写完。

6. 10-20 07:40
   正式运行第 3 批

   12 个参赛组的第 3 次运行开始，07:47 全部写完。最慢的是 sumeru，第一轮写了 5 分半钟。

7. 10-20 07:46
   清理原始日志

   试点、自检和 36 次正式运行的原始日志用 clean_logs.py 清理：去掉本机路径、用户名、额度用量和 Claude Code 的内部记录，其余原样保留，准备公开。

   证据：clean_logs.py

8. 10-20 07:47
   认交付、匿名打包、抽故事卡

   认出每次运行里哪些文件是最终交付的选题，人工逐个核对：拆成「一句话卖点」和「选题说明」两个文件的，两个都算；sumeru 的多方案策划报告、oh-story 的扫榜报告和几个 skill 的状态文件不算。36 份选题拼成匿名稿，随机三位编号，抹掉 skill 名、仓库名和作者名，然后每份抽一张故事卡。

   证据：deliverables.toml · judge.py

9. 10-20 07:49
   故事分组

   Opus 把 36 张故事卡按「换个名字就是同一个故事」分组。故事卡按编号排序后用固定种子打乱再排进提示词，谁都能重建出一模一样的提示词。GPT 07:50 用同样的提示词另分一次。

   证据：本记录的故事卡页

10. 10-20 07:50
    盲比：12 个参赛者两两比

    66 对参赛者，每对比 3 次（第 n 次运行对第 n 次运行），每次两种先后顺序各判一次，共 396 场。Opus 和 GPT 同时开始，各自独立判，用的提示词和输出格式一字不差；两位评审每次调用的提示词指纹和原始返回都存了下来。

    证据：本记录的盲比列表 · judge.py

11. 10-20 08:05
    Opus 判完，揭晓出处

    Opus 15 分钟判完 396 场。揭晓匿名编号对应的运行，按积分排名。

    证据：blind_key.json

12. 10-20 08:15
    写点评

    揭晓出处后开始写点评。每个参赛者在五项上的胜负按判决现算，评审看好的和主要问题从判决理由里归纳。评审理由里的引文，写进点评前都在原稿里逐条找过；找不到原话的（多是评审的转述）不当引文用。GPT 判完后，结论按两位评审一起定稿。

    证据：review.md

13. 10-20 08:36
    GPT 复核判完

    GPT（gpt-6-astra，经 Codex CLI）判完 396 场，每场比 Opus 慢，共用了 46 分钟。提示词和输出格式和 Opus 一字不差；Codex 没有单独的系统提示参数，系统提示放在提示词最前面；为了不读进运行者本机的个人指令，Codex 用一个只链接了登录凭据的干净配置目录。两位评审排出的名次相关系数 0.80，每对的最终结果 198 个里 127 个一致，不一致的 71 个标「有争议」。

    证据：本记录的评审体检 · duels-gpt.jsonl

14. 10-20 11:30
    结果发布

    选题、运行日志、故事卡、分组、两位评审的全部判决和点评推到 GitHub，网站随之更新。