需求文档skill回溯专家博弈之前

.claude/skills/requirement-generator-v1/temp/evaluate_ai.json

@@ -0,0 +1,116 @@
+{
+  "expert_role": "AI专家",
+  "debate_phase": "evaluate",
+
+  "evaluations": [
+    {
+      "target_expert": "开发专家",
+      "target_file": "temp/review_dev.json",
+      "target_item": {
+        "type": "issue",
+        "index": 5,
+        "content": "证据等级评估的实现复杂度被低估：医学领域的证据等级评估（如GRADE标准）需要专业知识和结构化判断，仅依靠LLM分析可能准确性不足"
+      },
+      "stance": "partial",
+      "comment": "开发专家的技术实现视角正确，但建议方案'结合文献元数据进行规则化判断'过于乐观。当前LLM对证据等级评估的可靠性问题不仅是实现复杂度问题，更是AI能力边界问题。元数据（研究类型、样本量）仅能支持粗粒度分类，无法实现真正的GRADE评估（需理解偏倚风险、结果一致性、精确性等）。",
+      "reasoning": "从AI能力视角，证据等级评估涉及多维度专业判断（研究设计识别、偏倚评估、证据一致性分析），当前LLM在此类任务上的准确率缺乏可靠基准。建议将此任务定位为'AI辅助的研究类型分类'而非'证据等级评估'，降低用户预期和误用风险。"
+    },
+    {
+      "target_expert": "开发专家",
+      "target_file": "temp/review_dev.json",
+      "target_item": {
+        "type": "suggestion",
+        "index": 2,
+        "content": "建议细化MVP验收标准：当前验收标准偏定性，建议增加定量指标如'引用准确率>=95%'、'去重准确率>=90%'"
+      },
+      "stance": "partial",
+      "comment": "定量指标方向正确，但95%引用准确率的可行性需要验证。当前LLM在学术引用任务上的幻觉率报告差异较大（3%-15%），95%准确率对应5%错误率，处于较乐观水平。",
+      "reasoning": "建议分层设定：(1)引用来源可追溯率100%（所有引用必须来自搜索返回结果，禁止AI自行生成）；(2)引用格式准确率>=95%（DOI、作者、标题等信息与原始数据一致）。将'可追溯性'与'格式准确性'分开定义，前者是刚性约束，后者允许容错。"
+    },
+    {
+      "target_expert": "开发专家",
+      "target_file": "temp/review_dev.json",
+      "target_item": {
+        "type": "tech_risk",
+        "index": 1,
+        "content": "知识图谱去重准确性风险：'语义去重'依赖NLP/向量匹配，可能出现误判（重复未识别或错误合并），影响报告质量"
+      },
+      "stance": "partial",
+      "comment": "风险识别准确，但缓解措施'分层去重'未充分考虑跨语言场景。中英文医学术语的语义对齐（如'精神分裂症'与'Schizophrenia'）不能仅靠向量相似度，需要依赖标准术语库。",
+      "reasoning": "从AI能力视角，跨语言语义对齐是NLP领域的已知难题。向量相似度在跨语言场景下效果显著下降。建议缓解措施增加：(1)优先使用UMLS/MeSH的CUI映射实现术语对齐；(2)对无法通过术语库匹配的实体，采用保守策略（不合并，保留两者）；(3)定义跨语言去重的单独准确率指标。"
+    },
+    {
+      "target_expert": "产品经理",
+      "target_file": "temp/review_pm.json",
+      "target_item": {
+        "type": "user_experience_concern",
+        "index": 1,
+        "content": "报告质量的可信度建立：用户如何判断AI生成报告的准确性和完整性"
+      },
+      "stance": "partial",
+      "comment": "产品经理从用户体验角度提出的建议'每条结论标注证据来源链接'方向正确，但'显示文献覆盖率和证据强度评分'需要谨慎。",
+      "reasoning": "从AI能力视角，'证据强度评分'涉及专业判断，AI评分可能给用户造成'虚假的专业感'。建议：(1)证据来源链接必须实现；(2)文献覆盖率需明确定义（相对于什么总量？）；(3)'证据强度评分'不宜由AI直接给出数值，可改为'研究类型分布'（如：包含3项RCT、5项队列研究等），让用户自行判断。"
+    },
+    {
+      "target_expert": "产品经理",
+      "target_file": "temp/review_pm.json",
+      "target_item": {
+        "type": "issue",
+        "index": 4,
+        "content": "报告输出形式单一：仅支持结构化中文报告，未考虑用户对不同格式和深度的需求"
+      },
+      "stance": "partial",
+      "comment": "建议'报告详略程度可选（摘要版/标准版/详细版）'从产品角度合理，但从AI能力角度需要注意：不同详略程度需要不同的生成策略，不是简单的截取或扩展。",
+      "reasoning": "摘要版需要高质量的信息压缩能力（保留关键信息、去除冗余），详细版需要更多的推理和综合能力。建议：(1)MVP阶段仅提供标准版，降低复杂度；(2)如需多版本，应分别定义质量标准和验收指标；(3)不同版本的生成应视为不同的AI任务，而非后处理。"
+    },
+    {
+      "target_expert": "领域专家",
+      "target_file": "temp/review_domain.json",
+      "target_item": {
+        "type": "issue",
+        "index": 1,
+        "content": "证据等级评估方法未明确：精神科遵循循证医学原则，需要明确采用何种证据分级体系（如GRADE、Oxford证据等级），以及如何处理不同研究设计的证据权重"
+      },
+      "stance": "partial",
+      "comment": "领域专家要求明确证据分级体系的方向正确，但建议'建立研究设计类型的自动识别和分级逻辑'对AI能力预期过高。",
+      "reasoning": "从AI能力视角，GRADE评估需要判断偏倚风险、不一致性、间接性、不精确性、发表偏倚五个维度，这需要深度理解研究方法学。当前LLM在此任务上的可靠性未经大规模验证。建议采用分层策略：(1)Phase 1仅做研究类型分类（RCT/观察性研究/病例报告等）；(2)Phase 2引入偏倚风险初筛（基于规则+AI辅助）；(3)GRADE完整评估定位为人工任务，AI仅提供辅助信息。"
+    },
+    {
+      "target_expert": "领域专家",
+      "target_file": "temp/review_domain.json",
+      "target_item": {
+        "type": "suggestion",
+        "index": 7,
+        "content": "MVP阶段合规性建议：即使在MVP阶段，也应包含诊断标准版本标注和基本的证据等级评估，这是精神科文献分析的最低专业要求"
+      },
+      "stance": "disagree",
+      "comment": "诊断标准版本标注可在MVP实现（从文献元数据或全文中提取关键词如'DSM-5'），但'证据等级评估'不应作为MVP的最低要求。",
+      "reasoning": "从AI能力和MVP策略视角分析：(1)诊断标准版本标注是信息提取任务，AI可靠性较高，可纳入MVP；(2)证据等级评估是专业判断任务，AI可靠性存疑，错误评估可能比不评估更危险；(3)MVP核心价值是'高效文献搜索+结构化呈现'，不应因追求专业完整性而引入不可靠功能。建议MVP阶段：标注诊断标准版本+研究类型分类，明确告知用户'证据等级需人工判断'。"
+    },
+    {
+      "target_expert": "领域专家",
+      "target_file": "temp/review_domain.json",
+      "target_item": {
+        "type": "missing_item",
+        "index": 0,
+        "content": "缺少量表和评估工具识别功能：精神科研究大量使用标准化量表（如PANSS、HAM-D、MADRS等），系统应能识别和提取文献中使用的评估量表"
+      },
+      "stance": "partial",
+      "comment": "量表识别功能需求合理，但实现复杂度需注意。从AI能力视角，量表名称提取相对简单，但量表版本识别、评分结果提取涉及更复杂的信息抽取。",
+      "reasoning": "建议分层实现：(1)量表名称识别（基于预定义量表库的关键词匹配+LLM辅助）可在Phase 1实现；(2)量表评分结果提取（如'HAM-D基线评分24.5分，终点评分12.3分'）需要结构化信息抽取能力，建议放在Phase 2；(3)需定义量表识别的准确率指标（如召回率>=80%，精确率>=90%）。"
+    }
+  ],
+
+  "new_insights": [
+    {
+      "description": "博弈中发现：多位专家都提到了证据等级评估，但对AI在此任务上的能力边界认识不一致。需要在需求文档中明确区分'AI可独立完成的任务'与'AI仅提供辅助的任务'，避免用户对AI能力形成错误预期。",
+      "triggered_by": "开发专家issue[5] + 领域专家issue[1] + 领域专家suggestion[7]的综合分析"
+    },
+    {
+      "description": "博弈中发现：开发专家关注技术实现可行性，领域专家关注专业合规性，两者在证据等级评估上的建议存在冲突——开发建议简化，领域建议必须包含。需要在需求中建立'智能化任务分级框架'，明确哪些任务AI可自动完成、哪些需人工确认、哪些仅作参考。",
+      "triggered_by": "开发专家suggestion[2]与领域专家suggestion[7]的冲突分析"
+    }
+  ],
+
+  "summary": "本轮评价重点关注三个方面：(1)证据等级评估的AI能力边界问题，多位专家有不同预期，需要统一认识；(2)跨语言语义去重的技术可行性，需引入标准术语库；(3)MVP范围界定，应将'可靠的基础功能'优先于'有风险的专业功能'。核心建议是在需求中建立'AI任务可靠性分级'，区分AI可独立完成、AI辅助人工确认、仅供参考三个层次。"
+}