分项反馈与评分规则简报（2026-10-02 用户决定：让 agent 优化官方分数真正奖励的东西）

1. 改了什么

• 评分服务（agent/scoring/service.py）：worker 多发 metric_skills；_clean 在原有字段（board_score、groups、metrics、runtime_s、quota_left）之外新增 metric_skills 和 score_parts。score_parts 由 agent/scoring/parts.py 计算：每项排名指标的 raw、skill、points（计入榜分，四项之和 = 榜分）、floor_points、max_points、group、weight、sense。只有聚合数字，没有任何逐基因或逐细胞的真值。T2 / T3 同样分解（多指标分组按 skill 份额分摊组分，T2 的 structure gate 已计入）；未知分组布局时不加该字段。
• 节点记录：execute_and_score 带上 metric_skills / score_parts；Controller.evaluate 的每尺子摘要（proxy_json）多存 metrics、score_parts。components（尺子 → 分数）含义不变。
• 角色看到的地方：变化量表（Analyst、Researcher 的父节点、Engineer 的父节点、Reviewer、OpenEvolve 公共材料）多一张“排名指标分解”表；Researcher / Reviewer / OpenEvolve 父节点块多一行四项摘要；Engineer 的 vec-score 直接返回 score_parts；tune 每轮反馈按尺子给四项的种子均值；OpenEvolve native 每轮反馈多 score_parts，artifacts 多 ranking_metrics。
• 评分规则简报 agent/prompts/scoring_rules_t1.md：默认附在 T1 的 Engineer / Researcher / Analyst 任务书后（scoring_rules: 可改路径或设 null 关闭；T2 / T3 简报见第 4 节）。scripts/check_knowledge.py 也扫描它，无需新增白名单。
• 方向库：新增 composition_program（优先方向 1，distribution_structure 类第一位）；local_ot 改写为“局部谱系 OT + 受约束的程序外推，允许基因开启”（优先方向 2，fate_branching 类第一位）。原有 10 个 id 不变；文件仍按 search_seed 0 的覆盖顺序书写。

2. 对评测规格与锁的影响（有意为之）

• 评测规格（scoring_fingerprint）不变：评分器快照（modeling/src/common、veckit）、视图、真值、anchors、执行参数都没动；service.py 和 parts.py 不在快照里。所以分数含义不变，续跑不会因此重评。
• 新 run 的锁会变：code_hashes / search_hashes（agent 代码、新增简报、改过的 search_spec / researcher_spec / analyst_spec、方向库）、prompt_hashes，以及锁住的配置里新增 scoring_rules、三个角色的 prompts_by_role 多一个文件；T1 带 draft: 的配置锁住的 draft.order 变成 11 个方法族。
• 旧 run 照常加载：新字段都是可选的。没有 score_parts 的旧节点，变化量表和实验表与以前逐字相同（有单元测试）；运行中的 run 用自己的代码快照，不受影响。
• 注意：draft 覆盖顺序会按 search_seed 轮转类别内的方法族，两个优先方向只在 search_seed = 0（或轮转后恰好落在首位）时最先起草；调度算法没有改。

3. 测试

新模块 agent/search/tests/test_score_parts.py（14 项：与评分器 GROUP_SPEC / aggregate 一致、地板 = 50、无定义指标、旧响应、服务 _clean、节点记录、渲染、tune、OpenEvolve、简报接线）。test_drafts 改为 11 个方法族，并修正 ot_moscot 已准入为 exploration 后的 seeds: all 预期。在 Spark 私有测试目录逐个模块运行，全部通过。

4. T2 / T3 评分规则简报（2026-10-03）

• 文件：agent/prompts/scoring_rules_t2.md（三个 T2 榜共用一份：评分器对三榜完全相同，setting 只是记录字段，差别只在 panel、细胞数上下限、参考 / 输入阶段）；agent/prompts/scoring_rules_t3.md。只写公开评分代码（veckit core_metrics / shape_metrics / T2|T3/metrics*.py）与官网任务页、参考行页的事实，加上本项目数据上的事实；不写任何阶段名、保留基因型或其表型 / 靶点。
• T2 要点：八项排名指标与分值（表达 12.5×2、状态 12.5×2、形状 8.33×3 再乘结构门、邻域 25）；结构门 = min(邻域 skill/0.5, 1)，所以邻域一项最多影响 50 分；坐标只取 spatial_3D 前三列，空间项对平移旋转不变，d2_shape 看不出镜像，scale_log_ratio 是唯一看绝对尺寸的项；各项的细胞数上限；不计分的输出项。我们数据上的事实：DE 两项只看排序与符号（同一段代码）；首批官网分 vs 本地尺子（插值两榜接近：59.6→62.9、61.5→60.0；外推高估：54.2→49.6）；方法卡网格里“真实细胞 + 原坐标”邻域稳定 52–55，OT 插值新点使邻域掉到 23–41、门 0.46–0.61；全胚整细胞混抽的细胞状态组只有 36；照抄略低于 50。
• T3 要点：五项与分值（响应基因 30、方向 25、强度 25、状态 10+10）；三项响应指标以同阶段匹配 WT 为参考；坐标与形状不排名、没有结构门；severity_slope 的定义（响应基因上过原点斜率的 log β，β≤0 / r²≤0.01 / 无变化记 log 0.001 = 地板值，偏大偏小同样扣分，β 正但 < 约 0.001 时低于地板），它是唯一看幅度的项。我们数据上的事实：Mab21l2 留一基因尺子的结果（只把被敲基因压到 0 时强度组 67；按 WT 共表达自然符号传播使 DE 两项低于地板）；这把尺子未校准，首份官网 T3 为 45.9；照抄 WT 略低于 50。
• 接线：
  • 搜索模式（T1 / T2）：沿用 load_search_config 的默认 agent/prompts/scoring_rules_<task>.md，T2 文件出现后所有 T2 搜索配置默认附上（Engineer / Researcher / Analyst，Reviewer 不附）：g24_t2_t3/t2_*.yaml（含 D 组）、g24_quick/t2_*.yaml、dev/search_t2_g24_fake.yaml。不想附的配置写 scoring_rules: null。
  • Agent 模式（T3，agent/harness.py）：没有 scoring_rules: 键，提示词就是配置的 prompts: 列表。g24_t2_t3/t3_spark.yaml 显式加在方法卡之后；g24_quick/t3_spark.yaml（10-02 已跑完的快速基线）不改、不附。
  • search_spec / analyst_spec / researcher_spec、控制器父节点块和 tune 反馈里的“四项排名指标”改为“各项排名指标”（T2 有八项）。
• 知识审计：scripts/check_knowledge.py 原本就按 scoring_rules_t*.md 扫描（t2 按心脏 + 全胚窗口，t3 按基因型）；现在三份简报列为必需文件，缺一份即 FAIL。结果 PASS，没有新增白名单（简报里没有任何阶段名或基因型名）。
• 对锁的影响：评测规格（scoring_fingerprint）不变。新的 T2 搜索 run：prompts_by_role 三个角色多一个文件，锁住的配置 scoring_rules 从 null 变为 T2 简报路径，code_hashes / search_hashes / prompt_hashes 变（新简报、三份 spec、controller / tune 文案）。正在跑的 T2 run 用自己的代码快照，不受影响；用新代码续跑会因锁变化被拒（除非显式放行）。T3 完整配置的 prompt_hashes 多一个文件；T1 新 run 只因 spec / 控制器文案改动而 hash 变化。
• 测试：test_score_parts 增加 T2 默认附上、scoring_rules: null 关闭、T3 agent 配置与 build_prompt 顺序、两份简报的事实与“无阶段名 / 基因型名”检查。