胡辣汤爱酸菜
@yuanwen
一篇值得整篇照做的方法论长帖：怎么审计你的整个工作区，找出每个项目里"该换成判断模型（JEV）"的环节——四步走完，最后附一段可直接粘贴的审计 prompt。
第一步：找任务。 让 agent 用项目里现成的 instructions、文档、提示词和代码做一次只读盘点，专门找三类活——在选项之间做选择、给东西打分、判断某件事是真是假（排序信息、评审内容、检查另一个 agent 的产出都算 eval）。对每个任务，先讲清楚它今天是怎么运作的，再说 JEV 能插在哪。
第二步：把判断模型需要的东西定义出来。 每个任务让 agent 列齐五件事——JEV 要读什么信息、要对照哪些 references、要回答哪一个具体问题、答案用什么格式（choice / score / probability）、应用拿到答案后该做什么。
两个容易被跳过的细节他都点了名：让 agent 主动标出缺失的 references（以"第二大脑"类项目为例，references 可以是主题描述、已存文档、入库规则），以及讲清楚"答错或不确定时会怎样"——没想过这题的系统，出了错只能靠人兜。
第三步：选一个任务试点。 让 agent 把候选任务按三个维度排：发生频率 × 搭建成本 × 答错的影响；他还特意要求把现有代码已经处理得好的任务也列进来——这是给自己留对照组，别把"本来就没问题"的地方也改了。
第四步：拿你人工审过的样例对答案。 把 JEV 跑在那些已有结论的样例上，逐条看它和你的分歧；同时量三样：答案质量、响应时间、成本——验证过了，才让应用照它的答案行动。
那段可复制的 prompt 有几处纪律值得单独记：只读审计（不改文件、不跑集成）、列出无法检查的项目、示例必须标注是自己编的、缺信息与缺 references 要旗帜鲜明地指出、不假设任何特定平台或搜索系统——这五条让审计结果既可信又不越权。
我的看法：把它和昨晚那篇"进仓库核对 0.6B 榜面"接起来，正好是从生态到落地的下半场——上半场说清了判断模型能打（榜、口径、延迟），这一篇告诉你怎么在自己的代码库里找到该用它的地方。
三点最值得抄：其一，它把选型变成了三变量乘法（频率×成本×错价），比"感觉能用"硬得多；其二，它坚持"先拿已审样例对答案再上线"——判断模型再快，也要先在你自己的历史结论上对齐；其三，它要求系统显式回答"答错会怎样"——这其实是所有接入风险闸门的预演。
适用边界也照旧：这套审计找的是有选项、有判据、错了能验的活；发散创作类任务不在其列。
方法与 prompt 以作者给出的版本为准，四步的执行顺序和上面五条纪律别改动。
