- name
- ab-test-agent-workflow
- version
- 1.1.0
- description
- >
A/B Test Agent Workflow
多智能体双盲 A/B 测试工作流 — 协调者主导、受测者并行、评测者盲评。
何时使用
✅ 用户说以下内容时触发本 Skill：
- "A/B 测试"
- "双盲测试"
- "比较 AI 模型"
- "模型评测"
- "run a blind test"
❌ 不适用：单模型评估、简单问答、快速原型验证。
工作流架构
┌─────────────────────────────────────────────────────────┐
│ 协调者 (Coordinator) │
│ ① 接收任务 + 轮次配置 │
│ ② 向 Contestant A 发送 Prompt │
│ ③ 向 Contestant B 发送 Prompt │
│ ④ 收集输出 → 匿名化为"方案1"/"方案2" │
│ ⑤ 向 Judge 发送匿名方案 │
│ ⑥ 收集评分 → 记录结果 │
│ ⑦ 重复 ④-⑥ N 轮 │
│ ⑧ 汇总 → 揭示身份 → 输出结构化报告 │
└─────────────────────────────────────────────────────────┘
↓ ↓ ↓
┌──────────┐ ┌──────────┐ ┌──────────┐
│Contestant│ │Contestant│ │ Judge │
│ A │ │ B │ │ (盲评) │
└──────────┘ └──────────┘ └──────────┘角色定义
1. 协调者（Coordinator）— 主会话
- 接收用户输入（任务、轮次、受测模型/Rubric）
- 调度子 Agent 并收集输出
- 执行匿名化处理
- 汇总结果，输出最终报告
2. 受测者 A/B（Contestant A / B）
- 各接收相同的 Prompt
- 独立生成输出
- 不知道自己正在与谁比较
- 由
sessions_spawn隔离执行（runtime=subagent）
3. 评测者（Judge）
- 仅收到"方案1"和"方案2"（不知道来源）
- 根据 Rubric 打分
- 提供评语和胜出方建议
- 由
sessions_spawn隔离执行（runtime=subagent）
执行方式
方式一：纯 AI 协调（推荐）
直接在本会话中按工作流执行，无需脚本。
Prompt 模板（发给 Contestant A — 普通任务）：
你是 Contestant A。请完成以下任务，只输出结果，不要说明你是谁、不要加前缀：
[TASK]
输出格式（严格遵守）：
[CONTENT_A]
[你的完整输出]
[/CONTENT_A]Prompt 模板（发给 Contestant B — 普通任务）：
你是 Contestant B。请完成以下任务，只输出结果，不要说明你是谁、不要加前缀：
[TASK]
输出格式（严格遵守）：
[CONTENT_B]
[你的完整输出]
[/CONTENT_B]Prompt 模板（发给 Contestant A — 代码生成任务）：
你是 Contestant A。请完成以下任务。
任务：[TASK]
⚠️ 重要要求：先输出完整代码，再输出运行结果。代码必须在 [CONTENT_A] 标签内完整呈现，即使超时也优先返回代码。
输出格式（严格遵守）：
[CONTENT_A]
【代码】[你的完整代码]
【运行结果】
[如有，运行结果]
[/CONTENT_A]Prompt 模板（发给 Contestant B — 代码生成任务）：
你是 Contestant B。请完成以下任务。
任务：[TASK]
⚠️ 重要要求：先输出完整代码，再输出运行结果。代码必须在 [CONTENT_B] 标签内完整呈现，即使超时也优先返回代码。
输出格式（严格遵守）：
[CONTENT_B]
【代码】[你的完整代码]
【运行结果】
[如有，运行结果]
[/CONTENT_B]Prompt 模板（发给 Judge）：
你是一位严格公正的评测专家。请对以下两个匿名方案进行打分。
评测任务：[TASK]
评分维度（满分 10 分）：
1. 准确性（答案是否正确）
2. 完整性（是否覆盖所有要点）
3. 表达质量（语言是否流畅、清晰）
4. 创意/深度（是否有独到见解）
方案1：
[SOLUTION_1]
方案2：
[SOLUTION_2]
输出格式（严格遵守）：
[SCORES]
方案1-准确性: X/10（简短理由）
方案2-准确性: X/10（简短理由）
方案1-完整性: X/10（简短理由）
方案2-完整性: X/10（简短理由）
方案1-表达质量: X/10（简短理由）
方案2-表达质量: X/10（简短理由）
方案1-创意/深度: X/10（简短理由）
方案2-创意/深度: X/10（简短理由）
[/SCORES]
[TOTAL_A]4项得分之和[/TOTAL_A]
[TOTAL_B]4项得分之和[/TOTAL_B]
[WINNER]方案1 或 方案2 或 平局[/WINNER]
[COMMENT]总体评语（150字以内）[/COMMENT]方式二：脚本驱动
python scripts/runner.py --prompt "写一首关于春天的诗" --rounds 3 --model-a claude-sonnet-4 --model-b gpt-4o执行流程详解
第 1 步：接收配置
用户输入：
- 任务 Prompt
- 测试轮次（默认 3）
- 评分维度（可自定义 Rubric）
- 可选：指定受测模型第 2 步：双盲分发
Round N：
→ 向 Contestant A 发送 Prompt（A 的专属版本）
→ 向 Contestant B 发送 Prompt（B 的专属版本）
并行等待，两方互不知道对方的存在第 3 步：匿名化
收集 A 的输出 → 记为 S1
收集 B 的输出 → 记为 S2
随机决定展示顺序（防顺序偏见）
→ 发给 Judge第 4 步：盲评
Judge 收到 S1、S2（无来源信息）
按 Rubric 逐项打分
输出分数 + 评语 + 胜出方第 5 步：结果记录
Round N 结果：
S1 = [A 的输出]
S2 = [B 的输出]
Judge 分数：S1=X, S2=Y
胜出方：Z第 6 步：汇总
所有轮次完成后：
- 汇总各轮得分
- 计算胜率
- 揭示身份
- 输出最终报告结果报告模板
{
"test_summary": {
"task": "...",
"rounds": 3,
"contestant_a": "Model A / Agent A",
"contestant_b": "Model B / Agent B",
"rubric": ["准确性", "完整性", "表达质量", "创意"]
},
"rounds": [
{
"round": 1,
"contestant_a_output": "...",
"contestant_b_output": "...",
"judge_scores": {
"contestant_a": [9, 8, 9, 7],
"contestant_b": [8, 9, 8, 8]
},
"winner": "contestant_a",
"judge_comment": "..."
}
],
"final_result": {
"total_score_a": 83,
"total_score_b": 80,
"wins_a": 2,
"wins_b": 1,
"winner": "Model A",
"confidence": "中（各胜 1 轮，建议增加轮次）"
}
}文件结构
ab-test-agent-workflow/
├── SKILL.md ← 本文件（工作流说明）
├── scripts/
│ ├── runner.py ← 多轮驱动引擎 + 自测模式
│ ├── judge_prompts.py ← Judge 提示词构建 + 解析
│ └── anonymizer.py ← 匿名化工具（过滤身份标识）
└── references/
├── rubric_templates.md ← 各任务类型评分模板
└── workflow_guide.md ← 详细执行步骤指南自测命令
# 自测模式（无需 subagent，验证工作流逻辑）
python scripts/runner.py --test --rounds 3
# 预览 Prompt（不实际执行）
python scripts/runner.py --prompt "写一首关于春天的诗" --skip-spawnRubric 模板速查
| 任务类型 | 推荐评分维度 |
|---|---|
| 写作/文案 | 准确性、完整性、表达、创意 |
| 代码生成 | 正确性、可读性、效率、安全性 |
| 逻辑推理 | 准确性、推理深度、解释清晰度 |
| 知识问答 | 准确性、完整性、可信度 |
| 创意写作 | 原创性、文学性、主题契合度 |
已知问题与处理技巧
超时处理
- 现象：子 Agent 在 57s 超时边缘可能只输出运行日志，未返回完整代码。
- 解决：代码任务 Prompt 中明确要求"先输出完整代码，再输出运行结果"，即使超时也优先返回代码。
- 超时重试：Judge 如果在 60s 内无输出，可重新 spawn 一个新的 Judge session。
匿名化风险
- 如果输出内容包含参赛者名称（如"作为 Claude"）或明确署名，Judge 容易猜出来源。
- 解决：使用
scripts/anonymizer.py预处理，移除身份标识词（Claude/GPT/Gemini/参赛者A/参赛者B 等）。 - Judge prompt 中明确声明："你不知道方案1来自哪个参赛者"。
评分解析失败
- 如果 Judge 输出格式不规范（缺少
[SCORES]等标签），解析器会 fallback 到智能提取。 - 建议：Judge prompt 中用
[SCORES]...[/SCORES]严格约束输出格式。
同模型测试
- 使用相同模型（如同为 qclaw/modelroute）测试时，输出相似度高，Judge 倾向于判平。
- 这是正常现象，不代表工作流有问题。
- 建议：对比不同模型时才容易拉开差距。