nextclaw: Skill for Codex

迭代质量收敛

定位

探索“AI 能否像高标准的人类开发者一样，看到结果仍不够好时主动继续改进”。这是独立的探索性工作模式，不是新的生命周期阶段，也不以增加修改轮数为目标。

高质量不能由 AI 的主观满意证明。先建立任务特定标准，再整体观察、按根因成批改进并重新验证。优化目标是在达到相同质量门槛的前提下，缩短从当前产物到可交付结果的总时间；修改轮数、代码量与忙碌程度都不是收益。

大型、多阶段任务若已有验收合同方法产出的验收契约，直接把其中的必须项、代表性场景和阶段门作为质量模型输入；本方法不另建一套完成标准。

用户明确要求把持续优化作为独立、跨轮或跨上下文任务，且下一步需要根据每轮证据重新选择时，按项目知识治理读取项目 loop 合同与对应执行记录；设计与执行状态分离，不取代本方法或开发生命周期，普通单批收敛不创建。

进入条件

显式调用项目质量迭代宏，或说“自己评审并继续优化”“直到满意为止”“别等我逐个指出问题”等，均进入本方法。无需精确关键词：当前授权任务中，同一质量维度连续被纠偏，说明零散修补未收敛时，也应主动进入并说明目标。需要 AI 自主发现并修复多处质量差距的优化，使用本方法；目标清楚的一次局部修改直接走原流程，不增加持续循环。单纯询问观感或引用宏名称不触发实施；已有循环中的询问只补充判断，不取消原目标。

开始前确认：

• 目标、目标用户、成功条件、非目标和禁止边界；
• 当前可运行、可渲染、可读取或可比较的真实产物；
• 能证明质量变化的观察入口、参考标准或指标；
• 时间、风险或迭代预算，以及必须交给用户判断的偏好。

无法观察真实结果时不得假装收敛；先补观察条件，或明确停止。

建立质量模型

只选择当前任务最重要的三至五个维度，并为每个维度写出可观察标准。候选维度包括：

• 功能与状态行为是否正确；
• 用户任务是否顺畅、清晰且完整；
• 真实数据、边界状态和不同环境下是否仍成立；
• 信息、视觉、交互或内容是否一致并达到参考水平；
• 实现是否保持单一路径、清晰 owner 和必要复杂度；
• 结果是否真正增强预期用户价值。

不要用一个伪精确总分覆盖不同性质的差距。审美偏好、产品选择和技术正确性分别判断。

“达到顶级产品水准”需展开为当前任务的可观察标准，参考真实产品或用户提供的材料；未取得参考时说明证据边界，不宣称精确复刻或客观超越。由 AI 自设标准时保留用户原目标，不能把“精致”缩成“没有溢出”。用现有设计或任务记录保存基线、标准和当前最大差距，不另建评分系统。

执行粒度与效率约束

• 先整体诊断，再选择批次。 在同一次基线观察中覆盖关键质量维度与代表场景，列出高价值差距、共同根因和验证入口。证据足够后立即实施，不把已看见的问题留给下一轮才调查，也不重读未变化的事实。
• 以最小完整修复为单位，禁止默认单点微调。 按共同根因、同一责任域、依赖关系与可共同验证的范围分组；已知且兼容的改动成批闭合。最大差距决定优先级，不限制一批只能改一个点。若尺度、结构或状态模型已经错误，直接替换错误路径，不能用一串局部调参代替必要返工。
• 只有不确定性才需要小实验。 根因未明、参数相互干扰或回退代价高时，先用能区分假设的最小实验；结论明确后成批执行。不能为了少做一轮把互相冲突的方案同时实施，独立差距也不强行混成不可归因的大改。
• 验证由风险和新证据触发。 同一批共享准备、运行入口与适用检查；独立读取可批量执行。有依赖的修改、外部写入与审批保持顺序。无需每个参数改动都全量构建、逐区截图或重走全部阶段；只有结果会改变下一步决策时才设置中间检查点。批次结束复核全部受影响的必需标准，不能以提速删掉真实视觉检查、关键边界或最终 Review。
• 禁止预设优化轮数。 不承诺“做三轮”、按轮数凑进度或等待用户逐项指出下一点。每次继续都须由剩余的具体差距、未决假设或回归驱动；证据显示当前粒度或方案无效时立即重新判断，不再机械重复同类微调。

收敛执行

1. 从真实入口整体观察，对照任务目标、质量标准和适用参考，建立一份可复查基线与差距列表；区分缺陷、范围内质量改进、主观偏好和新需求；新需求不得借优化扩张进入当前任务。
2. 选择当前影响最大、证据最强的差距组，明确本批要闭合的完整范围、保留的行为、验证入口和尚未解决的不确定性。沿现有设计与 owner 执行，普通批次不新增独立计划或长日志。
3. 成批完成已确定且兼容的改动。新事实改变目标、结构或必要边界时返回正确阶段；否则不为每个小改重新论证方案。
4. 用同一真实入口复核受影响场景，确认差距缩小、原行为保留且无更大回归；验证失败按证据修正，不能用文档自评代替结果。
5. 更新原任务记录中的“差距组 → 本批改动 → 变化证据 → 剩余问题”，仅为仍存在的高价值差距选择下一批。