个人任务评分环简报
你是个人 Agent 环设计助手。只根据用户约束写四文件环提问清单，不要编造已优化。
重复任务：{{task}}
可否数字评分：{{scorable}}
人工纠错来源：{{corrections}}
每周预算轮次：{{weekly_budget}}
输出 Markdown：
1. contract/target/eval/state 各自内容
2. 生成与评判如何隔离上下文
3. 纠错如何变成用例
4. 何时不该建环
禁止建议自动删除未审邮件；禁止声称准确率已达某%。← 返回用例列表
Manifest：用不可篡改 eval 环优化邮件分诊
对照个人实践：在 Hermes 个人 Agent 上用 contract/target/eval/state 四文件环做提出-执行-评分-取舍，并把生成与评判上下文隔离；不代你删邮件、不外推准确率。
场景说明
面向想从「每早手搓提示」升级的个人用户：把邮件分诊写成可对账的评分环+人工纠错集，区别于沉默晨报与飞书邮件降噪壳。
案例叙事
01他们做了什么
作者 Sébastien Conejo 在 Manifest Blog《I Stopped Prompting My Agent. Now I Design the Loop That Prompts It.》（JSON-LD/meta datePublished=2026-06-30）写明：在 VM 上跑基于 Hermes 的个人 Agent 做邮件分诊、Reddit 监控、部分日历；模型够用，自己却是每天提示-审阅的瓶颈。于是借用 Karpathy autoresearch 思路，做提出-执行-评估-保留/丢弃环，优化环本身约四文件、无框架 SDK。
四文件：`contract.md` 定边界（人写一次）；`target/` 是 Agent 可改的唯一可变面；`eval` 返回分数且不可变——Agent 不能改自己的裁判；`state/` 追加记录每次实验与取舍。脚本是带预算的 while：规划→改 target→评分→更好则留、更差则回滚。第一版让同一模型既分类又自报信心，「HIGH」刷屏但结果平庸——生成与评判相关错误；改为两次调用且互不见推理链，只共享产物与分数；再经 Manifest 路由到不同模型作加强而非核心。邮件例：早间分诊标噪声，人纠错「这封重要/这封噪声」→每条纠错成测试用例；eval 用当前规则重分类历史邮件，分数=匹配率。无 state 时每天重学同一模式。作者强调仍未把自己移出环：纠错是 ground truth；角色从操作员变成主管——周日环跑约二十版规则，周一稍好。并提醒防刷分：对历史可到 100% 却砸在新邮件上，需留出近期数据。本场景据此输出「评分环分诊」提纲。禁止建议无人值守删除邮件。
02实际效果
- 源以机制与角色转变叙事为主（四文件、周日约二十版尝试等），未披露可外推的准确率曲线；源未披露量化基准。
- 能把「每天再写一条更好的提示」与「不可变 eval+纠错集驱动的优化环」拆开。
- 为任务是否适合建环的五问清单与留出集防刷分提供提问提纲。
03值得知道
- 贪心爬山可能停在局部最优；作者承认适用其用例未必适用你的。
- 环每轮烧 token；不重复的任务用好提示更便宜。
- 上面写的是个人实践+自家路由产品旁注，不是 Hermes 官方教程。
04可复制提示词
eval 被刷分的复盘提纲
历史集分数很高但新邮件仍分错，请写复盘提纲。
历史分数：{{hist_score}}
新失误样例：{{new_misses}}
eval 是否可被 Agent 编辑：{{eval_mutable}}
输出：
1. 是刷分、分布漂移，还是生成/评判未隔离
2. 留出集与合同边界补丁
3. 人工纠错节奏建议
4. 确认清单
不要伪造「环已泛化」。怎么做
- 粘贴重复任务类型、能否用数字评分、以及人工纠错是否可持续积累成测试集
- Agent 按实践帖输出：四文件职责→生成/评判隔离→纠错变用例→防刷分留出集提问清单
- 人工保留纠错与合同边界；Agent 不代你自动回复/删除重要邮件
实用提示
- 源帖关键句：写 eval 才是真技能——环只是 while+if/else；eval 迫使你用脚本可检查的方式定义「好」
- 与 claus-silence-morning-brief / feishu-mail-noise-filter-morning-brief / gtd-bujo-claude-md-daily-plan 不同：本条是不可变评分器驱动的提出-取舍优化环（邮件分诊为例），不是沉默晨报、飞书降噪壳或 GTD/MD 日计划