照常提问，不必先背方法名
本机 Codex 已配置 bc_methods MCP 连接与 bc-analysis-deck 选择规则。需要分析时，Agent 会自行检索候选、核对最小输入和失效条件；普通改写或直接计算则直接完成，不强套模型。
每次通常选一份主方法。只有存在不同的判断缺口时，才组合辅助方法，最多三份。用户明确排除的方法继续排除；材料不足就先说明缺口，不编造数据。
查看新一轮匿名对照 ↓
本地小样本试验 · 2026-10-24
换一批真实问题，做匿名对照
3 道业务题：扩库胜 0，旧库胜 0，持平 3，不确定 0。本轮没有选用新增方法，不能证明新增方法改善了决策。
3 个本地材料改写的业务问题，1 个直接任务。同一模型与推理配置，题干和字数限制相同。规则与工具固定，只替换方法登记表。两次全新评审会话只看匿名正文，第二次交换 A/B 顺序。这里已解盲，保留原始完整回答。评分只判断决策、证据、行动和负担，不奖励方法名或数量。
展开题目可查看原问题与两份完整回答。用时为单次运行，受缓存、服务负载和输出长度影响。
库存积压时，怎样选择柔性供应链持平
基于2026-08-24历史会议提出新决策题；不代表当前库存。价格比较是待查选项，不是既有报价。
我们做冷柜甜品。历史复盘里有一款产品仓库约4000多个、在途约1000个，门店实盘未知，模型算出的覆盖期约523.9天；批次效期和试吃等非销售消耗还没补齐。团队在考虑继续用现有工厂大批量生产，还是找本地厨房小批量高频补货；不自建厨房，候选方的资质、产能、包装和配送都待核实。不能只看模型覆盖天数决定下一批，也不能为了灵活就不计成本。我们下一步该怎样比较这两条路，先做哪一个能改变决定的验证？不要执行采购或替我们确认供应商。
核对结果
- 两版都先核验库存和真实消耗，再比较未来供货的全成本。扩库后更明确灵活性的成本边界，但两版都未充分定义试供后的继续或停止条件。
- 评审 1：旧库 15/16；扩库 15/16。均15分。两者都先核实单品库存与消耗，区分库存处置和未来补货，并比较成本与履约条件。A明确灵活性的成本边界；B明确历史损失单列及工厂起订量的消化约束。两者的盘点验证都有行动分支，但小规模试供或配送验证缺少明确的继续、停止依据，未形成2分优势。
- 评审 2：旧库 15/16；扩库 15/16。双方各15分。都先核实库存与消耗，区分积压处置和未来补货，并比较成本与履约条件。两者都未明确该SKU小规模试供后的观察结果及继续、停止依据。现有差异不足以支持判胜。
扩库前 · 92 个可选方法
本次用时 93.6 秒
先核实该单品的批次库存与消耗，再比较供货方式。523.9天只是历史模型结果，不能据此确定当前补货量。
1. 第一项验证：何时真正需要补货。统一盘点日，核实仓库、门店和在途数量。补齐到货日、批次效期及近期销量，单列试吃、报损。按先到期先消耗，测算不同销量情景下的到期剩余量和首次缺货时间。试吃消耗不能当销售收入。若近期没有缺口，建议暂缓该品下一批；若存在缺口，就得到供应方必须满足的数量和交期。
2. 先确认两条路是否可交付。要求双方提供同规格下的起订量、产能、交期、补货频次及报价。核实资质、品质、包装和冷链能力。本地厨房的“小批量高频”目前只是待验证假设；资料核验通过后，再安排样品与配送验证。
3. 按同一期间、销量和供货标准算全成本。比较生产、包材、检测、配送、仓储、人力、资金占用和损耗。报废货值若已计入采购成本，不重复加；历史库存损失单列。测算销量和报损率变化到哪里会使选择反转。本地新增成本须被可验证的节省覆盖；现有工厂也须证明起订量能在效期内消化。
方法：总拥有成本U064（主）＋库龄分析U042（辅），库版本2026-10-20.3；未查询个人自定义方法。
扩库后 · 203 个可选方法
本次用时 81.23 秒
先核验这款产品的批次库存与真实消耗，再比较供应方式。523.9天只是历史模型结果，不能当作当前可售天数。
1. 第一项验证：能卖到何时、到期会剩多少。统一盘点时点，补齐仓库、门店库存及在途到货日、批次效期。分开核对销售、试吃和报损；内部调拨不算总消耗。按先到期先出，推算首个缺货日与到期剩余量。若近期无缺口，优先消化库存；若效期造成供应断档，再确定补货窗口。这个验证先改变“是否需要下一批”。
2. 两条路按相同条件比较。统一产品质量、需求量、比较周期和供货保障要求。分别取得起订量、交期、付款条件及分项报价。核算生产、包装、冷链配送、仓储、资金占用、质检协调、报损及缺货代价，避免重复计费；期末可用库存单列。本地厨房的资质、稳定产能、包装和配送仍须验证，不能预设其可行。
3. 用成本边界决定灵活性值多少钱。在低、中、高需求情景下，检验“小批量新增成本≤减少的报损、持有及缺货成本”是否成立。成立且履约通过，才值得小规模试供；不成立则继续评估工厂方案。暂不确定采购量或供应商。
方法：总拥有成本分析 U064（主）＋库龄分析 U042（辅）；版本2026-10-23.1。
材料来源：零食很甜/07_过程文档/会议纪要/20260824_零食很甜经营测试库存与柔性供应链复盘会会议纪要_分发版.md
下载和首次使用能否证明Skill有用持平
统计口径取自现行README；按下载量评价团队是本轮待判断的管理提案，不是已实施制度。
我们官网能看到页面访问、复制安装说明、下载点击、安装包响应，以及用户同意后发送的安装和首次使用回执。首次使用只代表宿主确认完成了一次任务，不等于用户满意；没有同意上报的人也看不到完整使用记录。现在有人提议把“下载量和首次使用数上涨”作为Skill做得更好的主要证明，团队每周也按这两个数推进。这样够不够？如果只能再补一个低负担的验证环节，应该补什么，什么结果会让我们停止继续加功能？不要替我设虚假的现有转化率。
核对结果
- 扩库后少选一份方法，明确指出追逐代理指标的激励风险。两版均以真实任务回访核对净收益；新增方法并未被加载，不能把措辞差异当作新增方法的功劳。
- 评审 1：旧库 15/16；扩库 16/16。A为15分，B为16分。B明确指出追逐两个数量指标可能改变团队行为，这是具体判断改善。A调整了周会决策依据，但没有明确解释这种风险。两者都覆盖弃用者、实际采用、检查返工成本和预先约定的暂停条件，也没有虚构转化率。差距仅1分，按规则平局。
- 评审 2：旧库 15/16；扩库 16/16。A为16分，B为15分。双方都区分采用信号与实际价值，承认上报覆盖缺口，并提出包含弃用者的真实任务回访及建议停止条件。A额外明确团队追逐代理指标可能改变行为；B提出周会约束，但未直接检查这一风险。差1分，未达判胜门槛。
扩库前 · 92 个可选方法
本次用时 77.75 秒
不够。下载量和首次使用数只能作为获客、激活信号。
- 下载点击、安装包响应不等于安装成功。
- 首次使用不证明结果可用、用户满意或优于原办法。
- 上涨也可能来自流量或上报同意比例变化。未上报者是未知，不能算失败，也不能由上报者外推全体。
只补一个环节：每周做少量真实任务短回访。建议每轮邀请3—5名自愿用户，每人约10分钟。纳入成功者，也纳入卡住、放弃者。围绕最近一次任务核对：
1. 结果是否实际采用，有什么具体证据？
2. 对照原办法，计入核验和返工后，是否省时或减少错误？
3. 若同类需求再次出现，实际选了什么办法，为什么？尚未再次遇到则记为未知。
事先写下核心任务的最低收益门槛和观察期。若反复发现净收益未达门槛，或用户因效果差回到旧办法，就暂停新增功能，重新检查核心承诺。若障碍集中在安装、理解或返工，先修已有体验。样本不足时不据此加码，也不判定产品失败。
周会保留两个数，但新增功能必须对应回访中的具体缺口。小样本用于发现问题，不能当作全体满意率。
方法：产品使用测试U025（主）、北极星指标U029（辅）；库版本2026-10-20.3。个人方法未查询。
扩库后 · 203 个可选方法
本次用时 63.11 秒
不够。两项数字可监测触达和初次采用，不能作为 Skill 变好的主要证明。
下载点击、安装包响应不等于安装成功。首次使用只证明宿主确认完成一次任务。回执仅覆盖同意上报者，不能外推全体用户。数量上涨也不能区分流量增加与体验改善。团队每周只追这两个数，会有优化指标、忽略实际收益的风险。
只补一个环节：每周抽样做真实任务回访。建议每轮邀请5名自愿参与的目标用户，覆盖成功者和中途放弃者，不限于有回执的人。每人约10分钟，核对：
1. 最近一次想完成什么，结果是否实际采用？
2. 相比原有办法，省了什么，又增加多少检查和返工？
3. 再遇同类任务时实际选了什么，为什么？尚未再遇则记未知。
停止规则提前写定：建议连续两轮都找不到可核实的净收益，或同一核心缺陷反复导致弃用，就暂停新增功能，先修核心体验或重新判断需求。下载继续上涨不能覆盖这些反证。未回复不算失败；小样本用于决定暂停扩展，不能证明全体用户无需求。
周会据此判断是否继续加功能，把两项数量保留为辅助观察。
方法：产品使用测试 U025，库版本2026-10-23.1。
材料来源：个人自媒体/09_网站/珈承科技官网/README.md，访问与使用统计
现成视频评分能否用于我们的内容决策持平
采用既有核查结论构造使用决策；不重新核实第三方当前产品规格，不上传真实素材。
我们想用现成模型辅助判断中文口播稿和视频值不值得改。已核查到：一个现成模型预测“观看超过5秒的概率”，论文数据主要是5—60秒短视频；我们的现有原片约400秒，而且没有真实观看延续标签。另一些分数衡量画质、美感，或生成视频是否符合提示词。现在可以先把原片跑出分数，然后把分高的建议当成更值得采用吗？请给一个明确判断和最小验证安排；要分清个人偏好、内容质量与观众反应。没有平台曝光数据，也没有训练计划。
核对结果
- 两版都拒绝凭模型高分直接采纳修改。扩库前建议原版加两个修改版及12名观众，扩库后缩为原版加一个修改版。两版对中文内容分布和独立留出样本仍交代不足。
- 评审 1：旧库 14/16；扩库 14/16。均14分。两者都拒绝直接按高分采纳，区分偏好、内容质量与观看行为，也没有把试跑当作准确性验证。共同缺口是未明确核查中文口播的语言、内容分布适配，未明确保留不参与调整的样本。A更清楚地保留小样本不确定性；B给出冲突与一致时的行动分支。B的12人安排明确属于排错试验，不应当作虚构精度扣分。未形成2分优势。
- 评审 2：旧库 14/16；扩库 15/16。A为14分，B为15分。双方都拒绝按高分直接采纳，区分偏好、质量与观众行为，并承认时长外推和标签缺口。双方均未明确中文内容及样本分布的适配缺口。B明确保留小样本不确定结论，并要求后续独立样本复核，验证分支略完整。差1分，未达判胜门槛。
扩库前 · 92 个可选方法
本次用时 92.69 秒
不能按高分优先采用建议。即使原片能跑出分数，也只能作为待验证信号。
“观看超过5秒”不等于整片留存。400秒超出论文数据的主要时长范围。本地没有真实标签，概率准确性和修改排序能力均未验证。切片后取平均也不能解决这些问题。只跑原片，无法判断哪条修改建议有效。
三类判断须分开：
- 个人偏好：你盲看后更喜欢哪版，只代表你的口味。
- 内容质量：按准确性、结构、冗余和音画表现逐项检查。画质、美感、提示词符合度各有范围，不能替代口播质量。
- 观众反应：记录目标观众实际继续观看或退出。自述“愿意看”不能替代行为。
最小验证建议：
1. 保留原版，制作两个各只改一处的版本。提前写明预期改善项，固定模型与评分方式。
2. 人工隐藏版本身份和模型分，分别评价偏好与质量。
3. 招募12名目标观众，随机分三组，每人只看一版，可自由退出。记录“超过5秒人数÷起播人数”和退出时间。
4. 对照模型排序与人工、行为结果。冲突时停用该排序；一致也仅支持继续验证。
这是排错试验，不能校准模型或证明平台效果。明确质量缺陷可据人工证据修正，无需等高分。
方法：产品使用测试 U025，库版2026-10-20.3；个人自定义方法未查询。
扩库后 · 203 个可选方法
本次用时 90.25 秒
不能按高分直接采纳修改建议。可以试跑检查输入兼容性，但不能据此证明修改有效。论文主要覆盖5—60秒视频，不能直接外推到约400秒原片。切段取平均也不能解决验证缺口。“超过5秒”不等于整片值得看，原片得分也不能判断修改收益。
三类判断应分开记录：
- 个人偏好：作者喜欢哪种表达或风格。
- 内容质量：按准确性、逻辑、口播清晰度审核。画质、美感、提示词符合度各有范围，不能合成“内容值得采用”。
- 观众反应：目标观众实际续看、退出和理解。“愿意看”的回答仍是自述。
最小验证安排：
1. 给同一原片做一个单项修改版。固定模型和评分设置，保留前后分数。
2. 隐藏分数和版本身份。作者判断偏好，独立审阅者按预定标准审核质量，分别记录理由。
3. 将目标观众随机分配到原版或改版，允许随时退出。记录“观看超过5秒人数÷开播人数”、观看时长和理解题结果，再与分数变化对照。
单组测试只能探索该项修改。小样本差异不足时保留“不确定”。模型排序须经多组独立样本复核；没有行为标签，就不能验证观众反应预测。离线结果不能代表平台效果，无需先训练模型。
方法：产品使用测试 U025（库版2026-10-23.1）；未用自定义方法。
材料来源：content-review/docs/reusable-evaluators.md，2026-10-22核查
直接整理既定口径持平
检查不需要方法时是否仍直接完成。
把这句话改成更短的一句话，意思不能变，不要展开分析：“下载点击不代表安装成功，首次使用回执不代表用户满意，没有上报回执也不能据此认定用户没有使用。”
核对结果
- 两版均为一句准确改写，未调用方法工具。控制题不计入业务题胜负。
- 评审 1：旧库 16/16；扩库 16/16。均16分。两者都用更短的一句话保留三项非等同关系，没有展开分析。B省略“用户”不影响指代，A的“未上报回执不代表未使用”也保留原意。没有实质判断或行动差异。
- 评审 2：旧库 16/16；扩库 16/16。双方各16分。都用一个更短的句子保留三项非等同关系，没有展开分析。A省略“用户”仍可由上下文明确理解；B的“未上报回执不代表未使用”也保留原意，无实质优劣。
扩库前 · 92 个可选方法
本次用时 28.99 秒
点击下载不代表安装成功，首次使用回执不代表用户满意，未上报回执不代表未使用。
扩库后 · 203 个可选方法
本次用时 20.52 秒
点击下载不代表安装成功，首次使用回执不代表满意，未上报回执也不能认定未使用。
材料来源：官网统计README中的既定口径；负向控制题
查看试验范围与限制
题目先从已有业务记录形成，再查看旧库的部分覆盖。问题有真实来源，但题干经过脱敏和任务化改写；历史库存不是当前状态，团队指标提案也不是已实施事实。
每题每组仅一次，使用 gpt-6-astra / ultra；两次评审是同模型的全新会话，并非两位独立人类评审。仅评审者盲，不是双盲。不能从这三题推断普遍收益或真实经营结果。
初次评审输入误保留了方法披露中的库版本。该批评审不计入正式结果。纠正后仅删除披露行，未改正文、题目、评分标准或A/B分配，再进行两次全新匿名评审。原始记录完整保留。
四项各0—4分。胜出须领先至少2分，并指出实际判断或行动收益；重大错误另行判断。两次顺序不一致记不确定。方法数量、术语和篇幅不加分。
两组收到相同500字以内指令。保留首次完整答案，未按实际长度裁剪。运行时长仅作留痕，受缓存和服务负载影响，不作为性能结论。
评分引用逐句核验；正式评审没有工具调用；解盲前两份评分已保存并校验SHA。此次没有改写日常路由规则或权威方法登记表。
查看上一轮扩库对照：同四题，非盲评
本地小样本试验 · 2026-10-23—24
扩库前后，回答有变好吗？
覆盖更广，但这四题没有证明扩库让回答更有用。方法选择保持稳定，简单任务仍直接完成。
3 个本地材料改写的业务问题，1 个直接任务。同一模型与推理配置，题干和字数限制相同。规则与工具固定，只替换方法登记表。以下为当前代理逐项复核，未做盲评，也不代表普遍准确率。
展开题目可查看原问题与两份完整回答。用时为单次运行，受缓存、服务负载和输出长度影响。
销售目标能否推出利润核心判断相同；扩库后漏了完成率
基于实际周报的提问改写；截至2026-09-27的历史口径，不代表当前经营状态。
我们月销售目标55万元，利润期望5万元。截至9月27日订单金额496036.52元，同批成功退款20532.40元，其中净储值消费32346.87元。目标暂按订单金额算，充值不能重复记销售。目前没有完整成本和现金数据。能不能认为月底销售超过50万元的部分就是利润？请说清现在能算什么、下一步先查什么。
核对结果
- 两组都否定“销售超过50万元的部分就是利润”，都算对退款后金额475,504.12元，都说明储值不得重复记销售。
- 扩库前给出90.19%的目标完成率；扩库后只给订单金额与差额，未给完成率，完整性略有下降。
- 两组均未检索或读取方法。不能把直接回答的措辞变化归因于扩库，也没有收益证据。
扩库前 · 92 个可选方法
本次用时 82.49 秒
不能。55万元销售目标减5万元利润期望，不能证明成本固定为50万元。即使50万元是盈亏平衡点，超出部分仍需扣除新增成本。
截至9月27日，可以算出：
- 目标进度：按订单金额496,036.52元计算，完成率90.19%；距55万元还差53,963.48元。
- 同批扣退款金额：496,036.52－20,532.40＝475,504.12元。这不是利润；能否全部确认为当月收入，还需核对履约和归属月份。
- 储值口径：净储值消费32,346.87元已包含在上述金额中，不能再扣一次。充值不能再加到销售里。现有数据无法算出现金结余。
下一步按这个顺序查：
1. 确认9月收入：核对订单履约、退款归属和储值消费，确定当月可确认收入。
2. 优先补成本费用：查已售商品对应的材料耗用、人工、房租、平台费、税费等。采购金额不能直接当作当月耗用成本。
3. 另查现金：核对账户流水、充值、收退款、平台结算及应收应付。
利润按“当月确认收入－匹配的成本费用”计算。目前既不能确认利润达到5万元，也不能把超过50万元的销售额直接当利润。
扩库后 · 203 个可选方法
本次用时 87.73 秒
不能把月底销售超过50万元的部分直接当利润。50万元只是“55万元目标－5万元利润期望”的倒推数，不代表实际成本。新增销售也会增加成本。
现在能算：
- 目标进度：暂按订单金额考核，截至9月27日为496,036.52元，距55万元还差53,963.48元。
- 扣退款后的订单额：496,036.52－20,532.40＝475,504.12元。这还不等于已核定的财务收入。
- 储值口径：净储值消费32,346.87元已包含在销售中，不应再扣掉或重复加上。充值不另记销售；储值消费也不代表本月收到等额现金。
目前算不出实际利润、月底利润或现金余额。
下一步先补9月成本费用，核实“50万元成本”有没有依据。
1. 查当月实际耗用或销售商品成本、人工、房租水电、平台费等，包含归属9月但尚未支付的费用。采购付款不能直接当作当月成本。
2. 核对订单、退款、储值核销及跨月归属，确定9月收入。再用收入减对应成本费用算利润。
3. 现金另查期初余额、实际到账和实际支出，与销售、利润分开核算。
材料来源：一克甜品/06_复盘与案例沉淀/2026-09-29_周经营分析_标准模板与节日专题/改版说明.md
节日增长能否归因活动判断近似；细节增加，收益不明确
基于实际周报的提问改写；没有提供活动曝光、执行记录和对照组。
节前四天金额比前一周相同星期涨36.9%，中秋三天涨9.2%，剔除总店归属收款后假期只涨3.0%。去年只有3条零星记录，没有完整同比基数。这样能证明中秋活动有效，明年就加预算吗？请给当前判断和下一次怎样验证的具体办法。
核对结果
- 两组都选原有的A/B随机测试（U036）。都保留9.2%与3.0%的归属差异，都否定当前增长足以证明活动因果或支持直接加预算。
- 扩库后增加“活动前四周、节后一周”的建议窗口，并强调追加预算仍需复测。窗口是新建议，不是题干事实，也未说明为何适合当前业务。
- 两组都提出随机对照、非随机备选及收益门槛。对门店数量、串组风险和统计能力尚未知的团队，这套安排仍偏重。
- 扩库前明确避免成本重复扣减，扩库后给公式却未保留这句提醒。没有新增方法带来清晰的独有判断。
扩库前 · 92 个可选方法
本次用时 83.33 秒
现有证据不能证明活动有效，不足以支持明年加预算。也不能据此认定无效。
节前四天涨36.9%，未排除节日需求或购买提前。假期涨幅由9.2%降至3.0%，说明收款归属影响判断；3.0%仍不是活动带来的净增量。去年3条记录不能构成可靠同比。金额上涨也不代表利润增加。
下一次建议先做限额验证：
1. 统一口径：记录订单归属、实收、退款和成本。活动组与对照组、比较期均一致处理总店收款。
2. 设置对照：能隔离活动影响时，将可比门店或客户随机分为活动组、常规经营组。不能随机时，用同期可比门店比较前后变化，并检查活动前趋势；结论仍有混杂风险。
3. 预定窗口：覆盖节前、假期和节后，检查消费是否提前。依据历史波动和最低值得投入的增益确定样本量，不因短期上涨提前结束。
4. 计算收益：比较两组人均或店均贡献利润，再扣除活动新增成本，避免重复扣减；检查退款、缺货。
5. 明确门槛：净增量利润的置信区间下界超过预设收益门槛，且经营指标未恶化，才分档测试更高预算。样本不足则继续验证。
方法：A/B随机对照测试（U036，2026-10-20.3）；自定义方法未查询。
扩库后 · 203 个可选方法
本次用时 108.07 秒
不能证明活动有效，也不足以支持明年直接加预算。这也不等于活动无效。
现有数据的边界：
- 节前涨36.9%、假期涨9.2%，无法排除节日自然需求、购买前移和日常波动。
- 剔除总店归属收款后涨3.0%，说明结果对归属口径敏感。3.0%仍不是活动净效果。
- 去年3条记录不能构成同比基数。缺少毛利和活动成本，也无法判断是否划算。
下一次建议先做小额验证：
1. 统一口径：比较双方采用相同的门店范围、订单归属及退款规则。分开记录收款与销售，折扣计入净销售额。
2. 设置同期对照：将可隔离的门店或客群随机分为活动组、常规经营组，防止优惠跨组传播。无法随机时采用相似门店对照，但结论须保留因果限制。
3. 覆盖完整周期：建议取活动前四周作基线，追踪活动开始至节后一周，检查增长是否被节后下降抵消。
4. 提前定判据：按基线波动确定样本量、收益门槛和停止时间。计算“每个随机单位的毛利组间差×活动组规模－新增活动费用”，报告置信区间，并检查退款、损耗。
增量净收益的可信范围达到预设门槛，再小步增加预算并复测。活动有效不代表追加预算仍然划算。
方法：A/B随机对照（U036，库版本2026-10-23.1）；未使用Skill，个人方法未查询。
材料来源：一克甜品/06_复盘与案例沉淀/2026-09-29_周经营分析_标准模板与节日专题/改版说明.md
客服作业需求与方案验证有局部改进，也有偏向与漏项
基于会议已整理事实构造研究任务；不含姓名、顾客信息或生产凭据。A/B为本轮比较设定，不是已确认需求。
客服说核单、配件、打包、标签、改派和提醒都是自己做，想放在一起。现有系统已有部分能力，但分散在不同页面；标签和提醒还有权限衔接缺口。我们要在一周内查清真正卡点，并比较A：同一订单里连续完成下一动作，B：把所有岗位功能放到一个大工作台。请给一套最小验证安排，并写3个可直接问客服的问题。不要用JTBD。库存导入、门店启用、真实付费发单仍暂停。
核对结果
- 两组都选情境调查（U015）主用、产品使用测试（U025）辅助。两次加载都明确排除JTBD/U012，均保留三项业务暂停。
- 扩库后把4人按A先/B先各2人安排，并具体检查标签、提醒由谁发起、接手、确认完成。均为计划建议，未冒充已经观察到的事实。
- 扩库后开头就建议先把A作为待验证假设，结尾规定A满足就优先A。可解释为节省改造量，但题干没有证据证明A更便宜；方案比较的中立性下降。
- 扩库前比较“现状、A、B”，扩库后只比较A、B。少了现状基线，无法同样直接判断两案是否真的比现有流程好。
- 两组的三个访谈问题均以具体经历为起点，没有将合并岗位、权限或事实视为当然结论。没有硬套新增自然科学类比。
扩库前 · 92 个可选方法
本次用时 114.3 秒
先查动作衔接和权限阻塞，再决定界面范围。“都由我做”不足以支持大工作台。
1. 第1—2天：邀3名客服，各回放1单常规单、1单异常单，覆盖六类动作。记录页面、操作者、等待、返工和绕行。区分已有能力、入口分散、权限缺口与能力缺失，请客服校正。
2. 第3天：据此制作A、B等保真可操作原型。两案保持相同功能与权限条件。标签、提醒的权限衔接单列核验，不能算作界面合并的收益。
3. 第4—5天：同批客服在现状、A、B完成等难模拟任务，纳入观察到的跨单操作，轮换A/B顺序。记录独立完成数／任务数、耗时、切页数、漏项和越权。
4. 第6—7天：交付卡点证据表和方案比较表。先比较完成与错误，再比耗时及改造成本。结果相近选改动较小者；证据不足则保留待证，不推断上线效果。
直接问客服：
1. 请按顺序演示最近一单的处理经过。
2. 那一单每一步实际由谁完成？
3. 你提到“想放在一起”，请讲讲让你产生这个想法的最近一次经历。
全程只读回放或模拟。库存导入、门店启用、真实付费发单继续暂停。
方法：情境调查U015主用，产品使用测试U025辅助；版本2026-10-20.3。
扩库后 · 203 个可选方法
本次用时 86.69 秒
建议先把A作为待验证假设。“都是自己做”不足以证明需要B；权限缺口须单独核验。
- 第1—2天：邀4名客服，各回放顺利单、异常单各1笔，覆盖六类动作。记录切页、重录、等待及错漏。区分入口难找、流程断点、权限不足、能力缺失，请客服校正。标签和提醒须查明谁发起、谁接手、如何确认完成。
- 第3天：制作同等精细度的A/B原型，复用已有能力。两版功能、数据、权限条件一致，权限补齐收益单列。
- 第4—5天：4人各测两版，2人先A、2人先B。等难度案例覆盖单笔连续处理和跨订单处理。记录独立完成数/尝试数、每单耗时、错漏和切页次数。
- 第6—7天：先比完成与错漏，再比耗时及改造量。A满足需求则优先A；B须展示额外收益且不损害单笔处理。交付卡点证据表与推荐，差异不清则保留未决。模拟结果不代表生产效果。
全程使用脱敏回放与隔离原型。库存导入、门店启用、真实付费发单继续暂停。
可直接问客服：
1. 请从头演示最近一笔你处理的订单。
2. 你说“想放在一起”，最近哪次经历让你这样想？
3. 最近一次处理标签或提醒时，实际发生了什么？
方法：主用情境调查U015，辅用产品使用测试U025，版本2026-10-23.1；未用JTBD。
材料来源：一克甜品/07_过程文档/访谈转写/20261019_门店运营流程与系统演示/会议分析与系统需求核对.md，第1、3、5、6节
简单任务应当直接完成保持简短正确；无需方法
检查零方法路径，不用于评估经营判断。
帮我做两个小事：1）只算496036.52减20532.40，保留两位小数，单位元。2）把这句话缩短，意思不能变：“库存导入、门店启用和真实付费发单继续暂停，目前只在副本里核验客服操作。”不要展开分析。
核对结果
- 两组都没有方法工具调用。
- 金额均为475504.12元，三项暂停和仅在副本核验均保留。
- 只存在标点、空格和极少措辞差异。扩库没有增加框架、提问或解释。
扩库前 · 92 个可选方法
本次用时 21.9 秒
1）475504.12元。
2）库存导入、门店启用和真实付费发单仍暂停，现仅在副本核验客服操作。
扩库后 · 203 个可选方法
本次用时 34.47 秒
1. 475504.12 元
2. 库存导入、门店启用和真实付费发单仍暂停，仅在副本核验客服操作。
材料来源：前题金额及会议边界的直接计算/改写对照
查看试验范围与限制
同一gpt-6-astra、ultra，原题不变；自动选择规则、工具实现与其他参考固定，只替换登记表。扩库前92个可选方法，扩库后203个。
每题每组仅运行一次，全部首次结果均保留。当前代理逐项人工审阅，未做独立盲评；结果不能代表普遍准确率，也不能将每个句子差异都归因于扩库。
四题本来就能由旧库处理。新增111个可选条目本轮0个被选中，这说明没有为展示扩库而硬选，不代表新增条目无价值，也不证明其他问题不会硬套。
两组各有4次方法工具调用（活动2次、客服2次）。利润与简单任务均0次。所选主辅分工不同，无重复辅助方法。
本轮生成墙钟总时长：扩库前302.02秒，扩库后316.96秒。单次服务负载、缓存和模型输出均会影响时间；不作为可靠性能比较。
所有业务问题只使用既有脱敏题干，无生产读写、其他文件查询或其他工具调用。未按结果修改路由政策或方法内容。
查看首次接入对照：不接方法库 / 接入旧库
本地小样本试验 · 2026-10-23
接入方法库前后的首次对照
客服验证题有较明确的改进；活动归因题有局部增益，但方案更重。利润口径与简单任务没有明显增益。
3 个本地材料改写的业务问题，1 个直接任务。同一模型与推理配置，题干和字数限制相同。比较未接方法库与规则加方法库。以下为当前代理逐项复核，未做盲评，也不代表普遍准确率。
展开题目可查看原问题与两份完整回答。用时为单次运行，受缓存、服务负载和输出长度影响。
销售目标能否推出利润无明显增益
基于实际周报的提问改写；截至2026-09-27的历史口径，不代表当前经营状态。
我们月销售目标55万元，利润期望5万元。截至9月27日订单金额496036.52元，同批成功退款20532.40元，其中净储值消费32346.87元。目标暂按订单金额算，充值不能重复记销售。目前没有完整成本和现金数据。能不能认为月底销售超过50万元的部分就是利润？请说清现在能算什么、下一步先查什么。
核对结果
- 两组都否定“销售超过50万元就是利润”，退款后金额均为475,504.12元。两组都区分销售、利润、现金与储值充值。
- 普通回答已提醒未付款费用不能漏记；接入组更强调履约与本月收入确认。两者互有细节，没有改变主要判断。
- 两组都给出目标差额53,963.48元，均未列90.2%的订单目标完成率。题目没有明确要求该比率，记为共同遗漏，不判作数字错误。
- 接入组未调用方法库。这题体现零方法判断，不证明知识库改善了核算回答。
普通回答
本次用时 53.75 秒
不能把月底销售超过50万元的部分当作利润。55万元减去5万元，只得到一个目标差额。实际成本尚未核实，新增销售也会产生成本。
现在能算的是：
- 目标进度：按订单金额496,036.52元计算，距55万元还差53,963.48元。
- 扣退款后的净订单额：496,036.52－20,532.40＝475,504.12元。该数字不改变暂定的目标考核口径。
- 非储值净订单额：再减净储值消费32,346.87元，得到443,157.25元。它不等于实际到账现金。
储值消费已包含在订单中，不能再加一次，也不能因使用储值支付就扣减销售。充值不能重复记销售。现有材料不足以算出利润或现金结余。
下一步先补成本费用。核对截至9月27日已售商品成本、人工、房租、平台及支付手续费等。库存采购不能直接全算当期成本，未付款费用也不能漏记。再估算月底剩余销售及对应成本，判断能否实现5万元利润。
随后核对平台结算、退款、充值及银行到账，单独算现金收支。
方法：常规回答；未调用Skill或自定义方法。
规则＋方法库
本次用时 87.63 秒
不能。50万元只是“55万元销售目标－5万元利润期望”的倒推数，不是已核实的实际成本。销售超过50万元的部分不能直接视为利润。
现在能算：
- 目标差额：按订单金额考核，距55万元还差53963.48元。
- 同批退款后金额：496036.52－20532.40＝475504.12元。
- 非储值消费净额：475504.12－32346.87＝443157.25元。这个数不等于实际到账现金。
储值消费不能仅因使用储值支付就从销售中扣除。充值不能重复计销售。退款后订单金额也不自动等于本月可确认收入。
下一步先查：
1. 收入口径：核对订单履约、退款归属和储值明细，确认哪些收入属于本月，有无重复记账。
2. 完整成本费用：补齐对应的商品耗用成本、人工、房租、水电、平台费用及税费，再计算利润。采购付款额不能直接代替当月耗用成本。
3. 现金收支：另核对银行及支付平台实际到账、付款和余额，判断可用资金。
目前可以判断订单目标进度；尚不能判断实际利润或可用现金。
材料来源：一克甜品/06_复盘与案例沉淀/2026-09-29_周经营分析_标准模板与节日专题/改版说明.md
节日增长能否归因活动局部增益，方案更重
基于实际周报的提问改写；没有提供活动曝光、执行记录和对照组。
节前四天金额比前一周相同星期涨36.9%，中秋三天涨9.2%，剔除总店归属收款后假期只涨3.0%。去年只有3条零星记录，没有完整同比基数。这样能证明中秋活动有效，明年就加预算吗？请给当前判断和下一次怎样验证的具体办法。
核对结果
- 两组都拒绝把节日增长直接归因于活动。两组保留9.2%与3.0%的归属差异，没有补造去年完整同比。普通回答已包含同期对照、完整周期与增量毛利。
- 接入组明确区分“活动是否有效”与“追加预算是否划算”：无活动、原预算、加预算分别比较。它补充全部入组客户分母、分组比例、串组、提前停止与退款投诉检查。
- 三组方案需要更多可隔离样本。题目没有给门店数、客群规模、活动执行渠道，无法据此认定方案已可执行。置信区间与样本量仍需具体设计。
- 收益主要是减少验证设计的遗漏，没有改善当前不能归因的结论。增加的方法步骤与等待时间也应计入成本。
普通回答
本次用时 70.06 秒
目前不能证明中秋活动有效，也不足以支持明年直接加预算。 数据显示收款增长，但没有回答“不做活动会卖多少”。
- 节前四天涨36.9%，可能包含节日自然需求或提前购买，不能全部归功于活动。
- 假期增幅从9.2%降至剔除总店归属收款后的3.0%，说明归属口径明显影响结论。
- 去年只有3条零星记录，不能计算可靠同比。收款增长也不等于利润增长。
建议明年先设有上限的验证预算：
1. 统一口径。 按实际销售归属记录收入，扣除退款；同步记录订单、毛利和活动成本。
2. 设置同期对照。 将可比门店配对，再随机分为活动组和正常经营组。尽量保持供货、营业时间及其他促销一致。
3. 覆盖完整周期。 活动开始前留两周基线，观察覆盖节前四天、假期三天和节后一周，检查活动是否只是把后续消费提前。
4. 计算净增量。 按每店每日比较：“活动组毛利前后变化－对照组毛利前后变化”，再扣除新增活动成本。
5. 事先定加预算门槛。 约定最低净回报和样本要求。只有增量净收益达标、且不确定区间支持正收益，才逐步加预算；证据不足则复验。
方法状态：常规回答；未调用 Skill 或自定义方法。
规则＋方法库
本次用时 100.61 秒
目前不能证明中秋活动有效，不足以支持明年直接加预算。这也不等于活动无效。
节前涨36.9%、假期涨9.2%，属于不同窗口的金额变化。剔除总店归属收款后仅涨3.0%，说明结果受归属口径影响；3.0%仍不能归因于活动。节日自然需求、提前购买尚未排除。去年3条记录不能构成同比基数。缺少成本，也无法判断是否多赚。
下一次建议：
1. 统一口径。当期和基期都按相同门店归属处理。区分收款与销售，记录每日订单、退款、毛利及活动费用。
2. 设置同期对照。条件允许时，将可隔离客群随机分为无活动、原预算、加预算三组。检查分组比例和串组情况。无法随机时用相似门店作同期对照，但结论可信度较低。
3. 事先定规则。按最低值得投入的利润增量确定样本量。观察期覆盖节前、假期和节后，检查是否只是提前购买。不得看到上涨就提前结束。
4. 按利润决定。按全部入组客户计算人均贡献利润，扣除商品及活动增量成本。原预算组减无活动组，判断活动效果；加预算组减原预算组，判断追加投入。后者的置信区间下限超过预设收益门槛，且退款、投诉未恶化，再分批加预算。
方法：A/B随机对照测试（U036，版本2026-10-20.3），用于验证设计。
材料来源：一克甜品/06_复盘与案例沉淀/2026-09-29_周经营分析_标准模板与节日专题/改版说明.md
客服作业需求与方案验证有较明确改进
基于会议已整理事实构造研究任务；不含姓名、顾客信息或生产凭据。A/B为本轮比较设定，不是已确认需求。
客服说核单、配件、打包、标签、改派和提醒都是自己做，想放在一起。现有系统已有部分能力，但分散在不同页面；标签和提醒还有权限衔接缺口。我们要在一周内查清真正卡点，并比较A：同一订单里连续完成下一动作，B：把所有岗位功能放到一个大工作台。请给一套最小验证安排，并写3个可直接问客服的问题。不要用JTBD。库存导入、门店启用、真实付费发单仍暂停。
核对结果
- 两组都先回放订单，再比较同功能、同权限的A/B原型；均保留库存导入、门店启用和真实付费发单暂停。普通回答已是可用方案。
- 接入组把观察到的任务交给使用测试，明确独立完成数/总任务数，先看关键错误再看耗时。权限阻塞单列，不能因为布局变化就算解决。
- 接入组三个问题均从具体经历出发。普通回答的“逐单做会增加哪些工作”预设了逐单处理有额外负担；接入组避开了该暗示。
- 实际检索与加载均传入排除JTBD，最终只加载U015和U025。两份方法职责不同。
- 这是4人的一周探索性安排，不能代表所有岗位或总体效果。“效果相当优先A”仍是模型建议，不是用户确认的选型规则。
普通回答
本次用时 137.27 秒
建议用历史案例回放和原型对照，一周内分清页面分散、流程断点与权限缺口。
- 第1—2天：选3名客服、6个脱敏案例，覆盖单单连续、跨单批量、标签及提醒受阻。回放现状，记录耗时、跳页、重复录入、错漏和等待原因。
- 第3天：制作A“订单内连续操作”、B“所有岗位大工作台”的可点击原型。两版功能、数据与权限条件一致。请权限负责人确认标签、提醒的断点与修复条件。
- 第4天：同一批客服轮换顺序试用两版，使用难度相当的任务。比较完成率、耗时、错漏，并对照现状。
- 第5天：交付卡点证据表和选型结论。优先省时且不增错漏的方案。B须证明集中操作的收益；客服试验不能证明所有岗位都需要合并。证据不足则暂缓选型。权限缺口单列。
直接问客服：
1. 请演示最近一笔最费劲的订单：哪里停住，后来怎样继续？
2. 最近一次标签或提醒没做成，系统显示什么？最后由谁、怎样解决？
3. 最近一次需要集中处理多笔订单是什么场景？逐单做会增加哪些工作？
全程只读回放与模拟。库存导入、门店启用、真实付费发单继续暂停。
方法状态：常规分析；未调用Skill或自定义方法。
规则＋方法库
本次用时 144.88 秒
“都由客服做”不足以证明需要B。先查卡点，再比较布局。
1. 第1—2天：请4名不同熟练度客服，各复盘普通单、异常单各1单。记录步骤、跳页、重复录入、等待和求助。核对六项能力，区分入口难找、流程断点、权限缺口、功能缺失，请客服校正。
2. 第3天：制作同功能、同权限的A/B可点原型。单列标签、提醒的发起人、承接人和结果可见范围。
3. 第4—5天：用模拟订单比较现状、A、B。任务覆盖单订单连续操作与跨订单处理，难度保持一致。两人先A，两人先B。记录独立完成数/总任务数、耗时、错误和求助。
4. 第6—7天：先比完成率与关键错误，再比耗时。效果相当优先A；选择B须有跨订单处理收益。权限阻塞单列，不能算布局已解决。交付卡点证据表与选择建议；证据不足不定案。
可直接问客服：
- “请按实际顺序讲讲最近一单从接手到结束的经过。”
- “最近哪次操作让你提出‘放在一起’这个想法？”
- “最近一次处理标签或提醒时，实际经过是什么？”
小样本只支持方向判断。库存导入、门店启用、真实付费发单继续暂停。
方法：主用情境调查U015，辅用产品使用测试U025；版本2026-10-20.3。
材料来源：一克甜品/07_过程文档/访谈转写/20261019_门店运营流程与系统演示/会议分析与系统需求核对.md，第1、3、5、6节
简单任务应当直接完成无明显增益，未额外检索
检查零方法路径，不用于评估经营判断。
帮我做两个小事：1）只算496036.52减20532.40，保留两位小数，单位元。2）把这句话缩短，意思不能变：“库存导入、门店启用和真实付费发单继续暂停，目前只在副本里核验客服操作。”不要展开分析。
核对结果
- 两组计算均为475,504.12元。缩写保留三项暂停与只在副本核验客服操作的范围。
- 两组都没有调用方法工具，没有追加方法框架。该题用于确认简单任务不会被强行路由。
普通回答
本次用时 18.1 秒
1）475504.12 元。
2）库存导入、门店启用和真实付费发单仍暂停，现仅在副本核验客服操作。
规则＋方法库
本次用时 23.15 秒
1. 475504.12元
2. 库存导入、门店启用和真实付费发单仍暂停，目前仅在副本核验客服操作。
材料来源：前题金额及会议边界的直接计算/改写对照
查看试验范围与限制
本轮为4题、每种正式配置各1次的小样本试用。当前代理按预先写下的检查项复核，用户尚未做盲评；不能给出普遍提升率或因果效果。模型为gpt-6-astra，推理配置为ultra。
首轮只提供MCP工具，4题均未调用。原始答案和回执保留为tools-only。正式接入组增加了日常已安装的自动选择规则，未改题目、模型、字数限制或普通回答。规则和工具共同构成接入。
新CLI会话读取真实用户配置后，自动选择U041并算出每月400份保本、预计450份时350元利润。首个冒烟命令因配置覆盖格式错误未进入模型；修正后通过，失败记录仍保留。
耗时和tokens均为单次观测，受缓存、服务负载、输出长度与多轮调用影响。输入tokens包含各轮重复上下文和缓存；不把该数直接当计费金额。
业务题为本地历史材料改写，A/B客服方案是验证设定。没有操作业务系统、启用门店或发出真实订单。接入只验收本机Codex；当前旧桌面会话尚未验证热加载。
完整问题、两组答案、首轮结果、工具调用和用量回执保存在本项目evaluations/2026-10-23目录。没有把业务样本写入公共Skill或个人记忆。
接入状态与调用方式
网页与 bc_methods MCP 共用同一份登记表。MCP 由宿主按需启动，关闭网页服务不影响 Agent 读取方法。
| 只读工具 | 负责什么 |
|---|
method_catalog | 读取当前可选目录（243 条），供 Agent 理解边界并作语义选择。 |
method_search | 按词项和常见业务症状召回候选；检索分数只用于召回，不代表适用概率。 |
load_method_set | 读取选中方法的输入、步骤、边界、公式、应用参考与来源详情；传 compact=true 时只返回精简算子包。 |
方法库不额外调用云端模型，不记录提问日志，也不改动业务数据。
HTTP 与命令行脚本调用
本地 HTTP 接口同样支持精简模式。运行“启动方法库.command”后可读取：
curl "http://127.0.0.1:8768/api/v1/methods/U041?compact=1"
查看 HTTP 接口说明 →
没有配置 MCP 的宿主，可直接使用已安装 Skill 的本地脚本（route 与 show --compact）。完整连接说明见项目 agent/README.md。
