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. 10-31 08:05
   检查运行环境，给参赛仓库做安全检查

   本机是 Claude Code 2.1.314，评审复核用 Codex CLI 0.165.0。20 个参赛仓库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）：16 个通过，4 个「要看」。逐个打开看过：oh-story、chinese-webnovel-skills、webfiction-write 被标出的和第二轮一样，是 Windows 启动脚本和抓榜单时读网页登录态的脚本；drama-skills 被标出的是它自带的本地工作台网页读自己的会话 cookie。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。

   证据：contestants.toml

2. 10-31 08:10
   沙箱自检：围栏拦不拦得住

   Claude Code 比第二轮新了 10 个小版本，所以用和正式运行同一段围栏代码重做自检：让 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。

   证据：沙箱自检 1

3. 10-31 08:11
   定参赛名单和入口

   第一、二轮的 20 个 skill 全部参加，加不装 skill 的对照组。入口照第二轮的规矩：仓库里有专门做全剧骨架（总纲、全剧大纲、系列圣经）的 skill 就用它，那一步只能从主入口的流程走到的就用主入口。有 7 个和前两轮的入口不同，原因写在 contestants.toml 各自那一行。固定回复比第二轮多半句「骨架之后的分集大纲和剧本不用写」：有几个 skill 默认做完骨架接着出全本细纲，这半句只是把需求里的「只交骨架」重说一遍，对所有参赛者一样。

   证据：contestants.toml · 003-skeleton.md

4. 10-31 08:13
   正式运行

   63 次运行（21 个参赛组各 3 次）按运行编号排队，同时跑 11 个，08:43 全部写完，没有报错。每次 3 到 7 分钟。这一轮没有单独试点：运行器的代码和第二轮相同，只换了需求和两句话，第一批跑出来的几份先逐个看过再往下等。

   证据：本记录的运行列表

5. 10-31 08:43
   认交付

   每次运行都只交了一个 .md 文件，就是全剧骨架；其余是 skill 自己的状态和数据文件（json），不算交付。按篇幅和正文里提到的集数查过，没有哪份顺手写了分集大纲或剧本，所以没有按内容截取。长度从 2077 到 3559 字（去掉空白计），超过需求里 3000 字的有 10 份。

   证据：deliverables.toml

6. 10-31 10:34
   第一次全判后改提示词、加截断，全部重判

   08:44 开始第一次全判，当时评委提示词里还没有「不考虑拍摄成本和难度」那半句，超过 3000 字的稿子也没有截断。Opus 判完 1,260 场后查出两件事：约四分之一的场次把场景少、同框的人少这类「AI 好拍」当成胜者的长处；超过 3000 字的稿子赢得多。于是提示词第二句加上那半句，超过 3000 字的截到 3000 字，换一套新编号全部重判。GPT 的复核判到一半，也停下来一起重判。第一次的判决不公开。

   证据：judge.py

7. 10-31 10:37
   截断、匿名打包

   超过 3000 字的 10 份按需求截到 3000 字：在不超过 3000 字的最后一个换行处截断，后面接一行「（超过 3000 字，后面截掉了）」。63 份拼成匿名稿，随机三位编号，抹掉 skill 名、仓库名和作者名：只抹掉了 2 处，是 screenwriting-skills 两份稿子里的英文词 story（和 oh-story 的一个 skill 同名）。大家写的是同一个故事，这一轮不抽故事卡、不分组。

   证据：judge.py

8. 10-31 10:38
   先试判 10 场

   全判之前先挑 5 对、每对两种顺序各判一次，共 10 场，看两件事：理由里还有没有拿场景和人物多少、好不好拍来加分；被截的稿子判得正不正常。10 场里没有拿这些加分的。4 场涉及被截的稿子，有 1 场把「后面截掉了」当成完整度上的缺点，这一对两种顺序都判同一份赢，另一种顺序的理由没提截断，没有改变结果。超字数本来就违反需求，截掉的部分评委看不到、扣点完整度，算违约的代价，所以截断说明不改。

   证据：judge.py

9. 10-31 10:42
   全判，GPT 同时复核

   Opus 12:05 判完 1,260 场，GPT 13:54 判完。拿「AI 好拍」当胜者长处的，Opus 有 7 场（0.6%），GPT 没有，都没有靠它定胜负。两位评委逐对的最终结果 52.7% 一致，名次的相关系数 0.66。超过 3000 字的稿子截断以后仍然赢得多：单场胜率 Opus 判 68.5%、GPT 判 62.5%，没超的是 46.5%、47.6%。为此加做截断说明的对照。

   证据：duels.jsonl · duels-gpt.jsonl

10. 10-31 12:13
    截断说明对照

    把有被截稿子的 188 对、376 场去掉截断说明再判，截法不变；结果怎么用，开判前写进了 review。Opus 12:38 判完；GPT 等全判结束，13:55 开始，14:53 判完。两位评委判被截稿子的胜率变化都在 5 个百分点以内（Opus −2.6，GPT +2.3），说明不起作用，保留原来的结果。之后把超字数稿子参与的场次全部去掉重算名次做对照，两位评委各自的前五名还是同样五个 skill。

    证据：review.md