运行前定门槛
把必须满足的结果写成互不重叠的检查项。不要看到输出后再挑对它有利的标准。
AGENT SKILL DEBUGGING
失败不是结论，
通过也不能改写失败。
Agent Skill 测试失败后，先冻结原任务和成功门槛，再定位最小指令缺口。修复后仍用完全相同的任务复测，并让初次失败与新结果并列存在。
01 / PROTOCOL
先把“失败”变成可复现对象
修复前至少冻结逐字任务、成功门槛、运行环境和初次输出。只有这样，后续变化才有可比较的基线。
分清失败层级
CLI 未发现、文件未安装、客户端未读取、任务没完成、账户阻断，是五种不同问题。
只补指令缺口
优先修改真正导致漏项、越界或格式漂移的 Skill 说明，不为单条测试硬编码答案。
重放相同任务
任务文字、成功门槛和权限边界保持不变；记录新的 Skill 版本与执行环境。
并列保存前后结果
初次失败是修复价值的来源，不应被新结果覆盖或从统计口径中消失。
只陈述观察范围
一次 4/4 只说明这条任务在记录环境中达到门槛，不等于准确率或跨客户端认证。
02 / REAL CASES
两条真实的 3/4 → 4/4 修复闭环
两项任务和四条成功门槛都在运行前公开。修复后的复测没有换题，也没有放宽验收。
遗漏授权检查
初次 3 / 4→修复后 4 / 4
- 初次输出给出主题、最短接入步骤和五类上线检查，但漏掉预注册的授权检查。
- 最小修复：在 Skill 中加入正文、移动端、代码块、样式覆盖、授权、无障碍六项强制清单。
- 同一任务复测覆盖六项检查；原始失败继续保留。
硬字数约束失守
初次 3 / 4 · 408 字符→修复后 4 / 4 · 294 字符
- 初次输出内容结构基本完整，但 408 个 Unicode 字符超过任务要求的 300 字。
- 最小修复：增加短答模板、Unicode 字符计数、220—260 字目标区间和仓库相对路径约束。
- 同一任务复测为 294 个 Unicode 字符；原始失败继续保留。
03 / RECIPE
可以复制的修复记录模板
每一步都写可核验事实，不用“效果更好了”代替具体证据。
原始任务：<逐字保存，不在复测时改写> 预注册门槛：1. ... 2. ... 3. ... 4. ... 初次环境：客户端 / 版本 / 模型 / Skill commit / 权限 初次结果：通过 X / 4；未满足第 N 项 失败层级：发现 / 安装 / 自动读取 / 任务完成 / 环境阻断 根因判断：<观察到的指令缺口；与推测分开> 最小修复：<修改了哪条通用规则，为什么不是测试特例> 复测任务：与原始任务逐字相同 复测结果：通过 Y / 4；输出长度或关键证据 边界：只适用于本次记录，不外推为准确率或普遍兼容
04 / ANTI-PATTERNS
四种看似通过、其实没有关闭问题的做法
修复是否可信，往往取决于有没有抵抗“让数字更好看”的诱惑。
把题目改容易
原任务要求 300 字，复测改成 500 字，只能建立新案例，不能关闭原失败。
事后降低成功门槛
输出漏掉授权检查，就把授权从验收里删掉，会破坏预注册证据。
删除初次失败
只留下 4/4 会丢失改动动机，也无法判断修复是否针对真实缺口。
把环境阻断算作 Skill 失败
模型尚未进入任务就遇到账户、网络或平台限制，应单列环境状态。
证据边界：这里的两条复测只证明所记录任务在所记录 Codex 环境与 Skill 版本中满足 4/4 门槛；它们不是跨客户端保证、安全认证或总体准确率。完整方法见兼容性四层测试方法，全部当前结果见前瞻复测页。
用原任务验证你的修复。
可以复制任务和门槛，也欢迎提交失败；请先移除 Token、邮箱、私人路径和业务数据。