eduevidence 6.0.0 → 6.3.0

package/scripts/test_adversarial_empirical.py

@@ -44,7 +44,6 @@ from engine.evidence_graph import (
 )
 from engine.gap_lens import gap_lens
 from engine.semantics import OutcomeClassifier, OutcomeDimension
-from engine.tribunal import _confidence, _decision_action, _study_implication
 from retrieval.corpus_store import DomainCorpusStore, corpus_store
 from retrieval.search import search_evidence, search_router
 from scripts.did_regression import run_did_analysis
@@ -87,9 +86,8 @@ def test_eventbus_concurrency():
         t.join()
 
     print(f"[*] Concurrent subscribe/unsubscribe completed. Race errors caught: {len(race_errors)}")
-    if race_errors:
-        for err in race_errors[:5]:
-            print(f"    - [BUG FOUND] {err}")
+    assert not race_errors, (
+        f"EventBus raised under concurrent subscribe/unsubscribe: {race_errors[:3]}")
 
     # 2. Test Subscribe Non-Atomic Check (Duplicate Subscriber Appending)
     bus._subscribers.clear()
@@ -105,8 +103,9 @@ def test_eventbus_concurrency():
         t.join()
 
     print(f"[*] Subscribed same callback across 10 threads. Total registered subscribers: {len(bus._subscribers)} (Expected: 1)")
-    if len(bus._subscribers) > 1:
-        print(f"    - [BUG FOUND] Race condition in subscribe: duplicate callbacks registered ({len(bus._subscribers)})")
+    assert len(bus._subscribers) == 1, (
+        f"subscribe() is not atomic: {len(bus._subscribers)} copies of one callback "
+        "registered from 10 threads")
 
     # 3. Concurrent Publish & Unbounded Memory Leak
     bus.clear()
@@ -156,21 +155,23 @@ def test_did_regression_adversarial():
     results = {}
 
     # Case 2.1: Column Name Parsing Collision
+    # Enough rows for a DID fit (n - 4 > 0): this case is about COLUMN MAPPING,
+    # not about saturation, so a 4-row fixture would test the wrong thing.
     with tempfile.NamedTemporaryFile("w", suffix=".csv", delete=False) as f:
         writer = csv.writer(f)
         writer.writerow(["student_id", "treatment_group", "post_test_score", "time_period"])
-        writer.writerow([1, 1, 85.0, 1])
-        writer.writerow([2, 1, 70.0, 0])
-        writer.writerow([3, 0, 80.0, 1])
-        writer.writerow([4, 0, 75.0, 0])
+        for i in range(1, 13):
+            treat = 1 if i % 2 else 0
+            post = 1 if i % 3 else 0
+            writer.writerow([i, treat, 60.0 + 4 * treat + 3 * post + 2 * treat * post, post])
         col_test_path = f.name
 
     res_col = run_did_analysis(col_test_path)
     os.remove(col_test_path)
     print(f"[*] Case 2.1: Column name collision ('treatment_group', 'post_test_score', 'time_period'):")
     print(f"    Result: {res_col}")
-    if res_col.get("status") == "error":
-        print(f"    - [BUG FOUND] Column mapper failed to parse outcome column due to 'post' keyword priority collision!")
+    assert res_col.get("status") != "error", (
+        "DID column mapper failed to parse the outcome column (keyword collision)")
     results["column_mapping_bug"] = res_col
 
     # Case 2.2: Perfect Multicollinearity / Singular Design Matrix
@@ -187,8 +188,10 @@ def test_did_regression_adversarial():
     os.remove(collinear_path)
     print(f"\n[*] Case 2.2: Singular Matrix / Perfect Multicollinearity:")
     print(f"    Result: {json.dumps(res_coll, indent=2)}")
-    if res_coll.get("status") == "success" and res_coll.get("standard_error") == 1.0:
-        print(f"    - [BUG FOUND] Matrix inversion failed on singular matrix, but returned fake standard_error=1.0 and fake p_value={res_coll.get('p_value')} instead of reporting collinearity/singular error!")
+    assert not (res_coll.get("status") == "success"
+                and res_coll.get("standard_error") == 1.0), (
+        "singular design matrix produced a fabricated standard error of 1.0 "
+        "instead of reporting collinearity")
     results["singular_matrix_fallback"] = res_coll
 
     # Case 2.3: Zero Variance in Outcome
@@ -228,8 +231,9 @@ def test_did_regression_adversarial():
     # Case 2.5: WWC Baseline Equivalence Rating for QED
     print(f"\n[*] Case 2.5: WWC 5.0 Baseline Rating Check for QED:")
     print(f"    When baseline_equivalence_g = {res_sat.get('baseline_equivalence_g')}, WWC rating reported is: '{res_sat.get('wwc_baseline_rating')}'")
-    if res_sat.get("wwc_baseline_rating") == "Meets Standards Without Reservations":
-        print(f"    - [BUG FOUND] Methodological violation: Quasi-Experimental Designs (QED/DID) can NEVER meet WWC standards without reservations; maximum possible rating is 'Meets Standards With Reservations'!")
+    assert res_sat.get("wwc_baseline_rating") != "Meets Standards Without Reservations", (
+        "methodological violation: a quasi-experimental design was rated as meeting "
+        "WWC standards without reservations")
     results["wwc_rating_bug"] = res_sat.get("wwc_baseline_rating")
 
     # Case 2.6: Small Sample Normal Z-Test vs Student t-distribution
@@ -307,8 +311,8 @@ def test_evidence_graph_adversarial():
     print(f"[*] Meta-synthesis with NaN effect and negative weight:")
     print(f"    - Pooled g: {proc_syn.get('pooled_g')}")
     print(f"    - Q statistic: {proc_syn.get('q_statistic')}")
-    if math.isnan(proc_syn.get("pooled_g", 0.0)):
-        print(f"    - [BUG FOUND] NaN effect size propagated directly into meta_synthesis without input validation!")
+    assert not math.isnan(proc_syn.get("pooled_g", 0.0)), (
+        "NaN effect size propagated into meta-synthesis without validation")
 
     return {
         "json_roundtrip": len(reloaded.edges),
@@ -439,15 +443,21 @@ def test_offline_corpus_and_network_isolation():
 def test_dashboard_server_adversarial():
     print_section("TEST 6: Dashboard Server Concurrency, SSE Disconnection & Source Leakage")
 
-    import socketserver
+    import http.server
     from scripts.dashboard_server import StudioHandler
 
-    class _ReuseServer(socketserver.TCPServer):
-        # allow_reuse_address 必须在 bind() 之前生效（构造时读取类属性）
+    class _AdversarialServer(http.server.ThreadingHTTPServer):
+        # Exercise the class the shipped server actually runs
+        # (scripts/dashboard_server.py run_dashboard_server -> ThreadingHTTPServer).
+        # A single-threaded socketserver.TCPServer answers a 30-client burst from a
+        # 5-slot accept queue, and the kernel resets the overflow ([Errno 54]
+        # on macOS). That harness choice - not the product - caused the resets.
         allow_reuse_address = True
+        request_queue_size = 128  # the 30 simultaneous connects below must fit
+        daemon_threads = True
 
     test_port = 0  # 临时端口：避免与常驻服务/上次残留监听冲突
-    server = _ReuseServer(("127.0.0.1", test_port), StudioHandler)
+    server = _AdversarialServer(("127.0.0.1", test_port), StudioHandler)
     test_port = server.server_address[1]
     
     t = threading.Thread(target=server.serve_forever, daemon=True)
@@ -495,8 +505,10 @@ def test_dashboard_server_adversarial():
             except Exception as e:
                 leakage_results[tf] = False
 
-        if any(leakage_results.values()):
-            print(f"    - [SECURITY DEFECT] StudioHandler exposes arbitrary local project source files through unauthenticated HTTP GET via super().do_GET() fallback!")
+        leaked = [path for path, ok in leakage_results.items() if ok]
+        assert not leaked, (
+            "StudioHandler served local source files over unauthenticated GET: "
+            f"{leaked}")
         results["file_leakage"] = leakage_results
 
         # 3. Concurrency Stress Test (30 Concurrent HTTP Clients)
@@ -510,9 +522,68 @@ def test_dashboard_server_adversarial():
             futures = [executor.submit(fetch_data, i) for i in range(30)]
             statuses = [f.result() for f in futures]
         elapsed = time.time() - t0
+        assert statuses == [200] * 30, (
+            "30 concurrent /api/projects requests did not all succeed: "
+            f"statuses={sorted(set(statuses))}")
         print(f"    - 30 concurrent requests finished in {elapsed:.3f}s (all status: 200).")
-        print(f"    - Note: TCPServer is single-threaded; requests are strictly serialized.")
+        print(f"    - Note: the shipped server is ThreadingHTTPServer; requests are served concurrently.")
         results["concurrency_30_time"] = elapsed
+        results["concurrency_30_statuses"] = statuses
+
+        # 4. Host / CSRF guards (dashboard_server.py do_GET) must fail closed on
+        #    the projection API, without blocking legitimate same-origin readers.
+        def raw_get(request: str) -> tuple[int, str]:
+            """Send one raw HTTP request; return (status_code, body snippet)."""
+            sock = socket.create_connection(("127.0.0.1", test_port), timeout=5)
+            sock.settimeout(3)
+            try:
+                sock.sendall(request.encode("latin-1"))
+                buf = b""
+                while len(buf) < 16384:
+                    try:
+                        chunk = sock.recv(4096)
+                    except socket.timeout:
+                        break
+                    if not chunk:
+                        break
+                    buf += chunk
+            finally:
+                sock.close()
+            head, _, body = buf.partition(b"\r\n\r\n")
+            first_line = head.split(b"\r\n", 1)[0].decode("latin-1", errors="ignore")
+            fields = first_line.split(" ")
+            status = int(fields[1]) if len(fields) > 1 and fields[1].isdigit() else 0
+            return status, body.decode("utf-8", errors="ignore")[:200]
+
+        untrusted_status, untrusted_body = raw_get(
+            "GET /api/projects HTTP/1.1\r\nHost: evil.example.com\r\n\r\n")
+        assert untrusted_status == 403, (
+            "an untrusted Host header reached the projection API: "
+            f"status={untrusted_status}")
+        assert "untrusted host" in untrusted_body, untrusted_body
+
+        csrf_status, csrf_body = raw_get(
+            f"GET /api/projects HTTP/1.1\r\nHost: 127.0.0.1:{test_port}\r\n"
+            "Sec-Fetch-Site: cross-site\r\n\r\n")
+        assert csrf_status == 403, (
+            f"a cross-site request reached the projection API: status={csrf_status}")
+        assert "cross-origin" in csrf_body, csrf_body
+
+        same_origin_status, _ = raw_get(
+            f"GET /api/projects HTTP/1.1\r\nHost: 127.0.0.1:{test_port}\r\n"
+            "Sec-Fetch-Site: same-origin\r\n\r\n")
+        assert same_origin_status == 200, (
+            f"a legitimate same-origin reader was blocked: status={same_origin_status}")
+
+        print("\n[*] Host / CSRF guard probes:")
+        print(f"    - untrusted Host -> {untrusted_status} ({untrusted_body.strip()})")
+        print(f"    - Sec-Fetch-Site: cross-site -> {csrf_status} ({csrf_body.strip()})")
+        print(f"    - Sec-Fetch-Site: same-origin -> {same_origin_status}")
+        results["host_csrf_guard"] = {
+            "untrusted_host": untrusted_status,
+            "cross_site": csrf_status,
+            "same_origin": same_origin_status,
+        }
 
     finally:
         server.shutdown()

package/scripts/validate_schema.py

@@ -3,7 +3,8 @@
 
 Zero-dependency JSON Schema (draft-07 subset) validator covering the constructs
 used by schemas/*.schema.json: $id, title, description, type, properties,
-required, enum, minimum, maximum, minLength, additionalProperties, $ref
+required, enum, minimum, maximum, minLength, additionalProperties, $ref,
+anyOf / oneOf / allOf
 (local #/definitions and relative-file references), const, format (uri,
 date-time), pattern.
 
@@ -138,6 +139,35 @@ class Validator:
                 self.validate(value, self._resolve_ref(ref, path), path)
             return
 
+        # Combinators (draft-07 subset): anyOf / oneOf / allOf. Without
+        # these a schema can express a real alternative shape and be
+        # silently ignored - which is how report-spec (two accepted
+        # shapes) and visual-layout (oneOf) became dead weight.
+        for key in ("anyOf", "oneOf", "allOf"):
+            subschemas = schema.get(key)
+            if not isinstance(subschemas, list) or not subschemas:
+                continue
+            matched = 0
+            first_error = None
+            for sub in subschemas:
+                try:
+                    self.validate(value, sub, path)
+                    matched += 1
+                except SchemaError as exc:
+                    if first_error is None:
+                        first_error = exc
+            if key == "allOf" and matched != len(subschemas):
+                raise first_error or SchemaError(
+                    f"{path}: allOf not satisfied")
+            if key in ("anyOf", "oneOf") and matched == 0:
+                detail = f" (first: {first_error})" if first_error else ""
+                raise SchemaError(
+                    f"{path}: matches none of the {key} alternatives" + detail)
+            if key == "oneOf" and matched > 1:
+                raise SchemaError(
+                    f"{path}: matches {matched} oneOf alternatives "
+                    "(exactly one required)")
+
         if "type" in schema:
             types = schema["type"]
             if isinstance(types, str):

package/skill/agents/evaluation-designer.md

@@ -1,8 +1,10 @@
 ---
 name: evaluation-designer
 description: EduEvidence 效果评价设计者。为任何 PILOT/ADOPT 建议附 EvaluationPlan：基线/后测/保持/迁移 + 过程/学习/风险指标 + 成功阈值与停止条件；区分任务表现与学习效果。
-default_cli: claude
-default_model: claude-sonnet-4-6
+role_id: evaluation-designer
+capabilities: evaluation_design, data_validation, data_analysis
+output_contracts: evaluation.json (schemas/evaluation.schema.json)
+recommended_reasoning: high   # capability hint only — no model or CLI name is bound here
 default_permission: read
 default_summary_chars: 800
 default_context_mode: compact
@@ -54,7 +56,7 @@ critical_path: false
 - `groups` 是对象，必须含 `treatment` 与 `comparison` 两个字段；
 - `process_metrics` / `learning_metrics` / `risk_metrics` / `stop_conditions` 必须都是**数组**，禁止逗号拼接字符串；
 - `retention_test` / `transfer_test` 是字符串或 `null`——没有延迟/迁移测试时必须显式写 `null`，禁止缺失字段；
-- `risk_metrics` 必须覆盖 AI 教学风险（如 `ai_dependency`、`academic_integrity_risk`、`false_confidence`，红线要求），缺失即不合格；
+- `risk_metrics` 必须覆盖该干预的相关风险（教育场景如 `ai_dependency`、`academic_integrity_risk`、`false_confidence`；其他领域用其自身风险构念），缺失即不合格；
 - `analysis_plan` 必须写明统计方法（如基线调整 ANCOVA），且任务表现与学习指标分开报告；
 - `learning_metrics` 不得只含 self-report（红线），至少一项客观/行为指标。
 
@@ -63,7 +65,7 @@ critical_path: false
 - 只测任务完成速度的评价方案 → 不合格，必须补学习/保持/迁移指标；
 - 迁移测试必须是**无 AI 环境**的新任务；
 - 不许把 self-report 当作唯一的学习指标；
-- 风险指标缺失 → 不合格（AI 教学试点必须测 AI 依赖与学术诚信风险）。
+- 风险指标缺失 → 不合格（任何 AI 相关试点都必须测依赖与诚信/合规风险）。
 
 ## 输出格式
 
@@ -72,3 +74,17 @@ critical_path: false
 ## 卡住升级
 
 干预方案缺失回传 `NEEDS_CONTEXT`；课堂现实约束不明回传 `NEEDS_USER_CONTEXT`。
+
+## 独立性与交叉评审
+
+- 阈值在数据到达前固定；事后调整属协议偏离，必须记录而非吸收。
+- 与分析阶段的独立性：评价设计者不参与对结果的解释，避免"自己设计自己解释"。
+- 与宿主的模型选择解耦：本文件只声明能力要求（`recommended_reasoning: high`、量化偏好），具体 CLI/模型由用户确认的模型映射决定。
+
+## 失败模式与回退
+
+| 失败 | 处理 |
+|---|---|
+| 无法设置对照 | 改为单组前后测并显式标注设计局限。 |
+| 样本量不足 | 报告功效局限；不得把不显著当作"无效果"。 |
+| 阈值事后变更 | 记录为协议偏离并降级结论强度。 |

package/skill/agents/evidence-analyst.md

@@ -1,8 +1,10 @@
 ---
 name: evidence-analyst
 description: EduEvidence 证据分析者。把候选 Source 抽取为 Claim-Level Evidence Object（绑定 Outcome、direction、quality_dimensions），执行 Outcome Separation；只结构化，不裁决。
-default_cli: claude
-default_model: claude-sonnet-4-6
+role_id: evidence-analyst
+capabilities: study_extraction, finding_extraction, claim_linking
+output_contracts: evidence.jsonl (schemas/evidence.schema.json)
+recommended_reasoning: medium+   # capability hint only — no model or CLI name is bound here
 default_permission: read
 default_summary_chars: 1200
 default_context_mode: full
@@ -81,7 +83,7 @@ critical_path: true
 
 - `relation_to_claim`：该证据支持/反驳某条 claim（Claim Audit 只依据此字段）；
 - `effect_direction`：研究观察到的效应方向（Outcome 可视化/聚合只依据此字段）；
-- `decision_relation`：对最终教学决策的意义（Consistency/Tribunal 依据此字段）；
+- `decision_relation`：对最终决策的意义（Consistency/Tribunal 依据此字段）；
 - 旧字段 `direction` 已废弃（deprecated），优先使用 `relation_to_claim`，不要再新写。
 
 **类型/格式硬约束（FIX-2 实测违规项，逐条禁止）**：
@@ -104,3 +106,17 @@ critical_path: true
 ## 卡住升级
 
 原文不可得回传 `NEEDS_CONTEXT: <缺哪篇原文>`；原文声称与抽取冲突回传 BLOCKED 并说明。
+
+## 独立性与交叉评审
+
+- 抽取只结构化、不裁决；`relation_to_claim` 的最终归属由 Evidence Judge 在裁决阶段复核。
+- 与宿主的模型选择解耦：本文件只声明能力要求（`recommended_reasoning: medium+`、结构化输出强），具体 CLI/模型由用户确认的模型映射决定。
+
+## 失败模式与回退
+
+| 失败 | 处理 |
+|---|---|
+| 强制字段缺失 | 该对象标 `UNSUPPORTED`，不得带缺陷进入合成。 |
+| 原文不可得 | `NEEDS_CONTEXT: <缺哪篇原文>`；禁止从摘要或记忆补全。 |
+| 原文与结论冲突 | 回传 BLOCKED 并说明冲突点，交审计阶段处理。 |
+| 统计量未报告 | 保持缺失，禁止由显著性反推。 |

package/skill/agents/evidence-judge.md

@@ -1,8 +1,10 @@
 ---
 name: evidence-judge
 description: EduEvidence 证据裁决者。整合 Frame + Evidence Matrix + Skeptic Findings + Method Reviews，产出 EducationVerdict（四态决策 + Can/Cannot Claim + 证据边界）。
-default_cli: claude
-default_model: claude-opus-4-6
+role_id: evidence-judge
+capabilities: evidence_synthesis, tribunal, applicability_analysis, knowledge_gap_detection
+output_contracts: final_verdict.json (schemas/verdict.schema.json), applicability.json
+recommended_reasoning: highest   # capability hint only — no model or CLI name is bound here
 default_permission: read
 default_summary_chars: 1000
 default_context_mode: full
@@ -22,12 +24,54 @@ critical_path: true
 
 ## 四态决策规则（硬标准）
 
-| 决策 | 要求 |
-|---|---|
-| ADOPT | 多项关键 Outcome 有较强直接证据 + 风险可控 + 场景匹配 |
-| PILOT | 有积极证据，但长期效果/迁移/风险仍不明确 |
-| REJECT | 关键结果稳定负效应，或风险明显大于收益 |
-| INSUFFICIENT EVIDENCE | 来源不足 / 直接性差 / 设计弱 / 冲突无法解释 |
+| 决策 | 要求 | downgrade_reason |
+|---|---|---|
+| ADOPT | High + support + 主结果 directness=2 直接证据 + 风险可控 + 场景匹配 | （无） |
+| PILOT | High + support 但缺主结果直接证据；或 Moderate + support + 可验证主结果路径 | `missing_direct_primary` / `confidence_band` |
+| REJECT | 关键结果稳定负效应（oppose），或风险明显大于收益 | （无） |
+| INSUFFICIENT EVIDENCE | Low / 间接（Moderate 无可验证主结果路径）/ 冲突无法解释 / 来源不足 | `confidence_band` / `missing_direct_primary` |
+
+闸门强制降级（`GATE_CRITICAL_FAILURE`）时记录 `downgrade_reason=gate_critical`。
+
+### 四态均衡 Few-shot
+
+**ADOPT**（High + support + 主结果直接证据）
+```json
+{
+  "confidence": "High",
+  "recommended_action": "adopt",
+  "decision_rationale": "延迟保持与迁移两项主要结果上均有直接且一致的支持证据，风险可控，场景高度匹配，因此可以推广。"
+}
+```
+
+**PILOT**（Moderate + support + 可验证主结果路径；或 High 缺主结果直接证据）
+```json
+{
+  "confidence": "Moderate",
+  "recommended_action": "pilot",
+  "decision_rationale": "任务表现与部分学习指标方向积极，主要结果上存在可验证的测量路径，但长期保持与迁移仍不确定，因此建议有边界的试点。"
+}
+```
+
+**REJECT**（oppose / 稳定负效应）
+```json
+{
+  "confidence": "Moderate",
+  "recommended_action": "reject",
+  "decision_rationale": "多项独立研究在关键结果上呈现稳定负效应，且风险大于收益，因此不建议采纳。"
+}
+```
+
+**INSUFFICIENT EVIDENCE**（Low / 间接 / 冲突）
+```json
+{
+  "confidence": "Low",
+  "recommended_action": "insufficient_evidence",
+  "decision_rationale": "现有来源多为间接证据且结论互相冲突，主要结果上缺少可验证路径，因此证据不足以支持采纳或试点。"
+}
+```
+
+禁止把四态收成「一律 PILOT」：ADOPT 与 INSUFFICIENT、REJECT 都必须按上表真实可达。
 
 ## 输入
 
@@ -61,10 +105,42 @@ critical_path: true
   "missing_evidence": ["..."],
   "recommended_action": "adopt|pilot|reject|insufficient_evidence",
   "decision_rationale": "...",
+  "strongest_support": "...",
+  "key_uncertainty": "...",
+  "main_risk": "...",
+  "next_action": "...",
   "exceeds_evidence_boundary": ["..."]
 }
 ```
 
+## 读者向决策叙事（四件套 · 硬要求）
+
+以下四个字段是**成品文案**，不是字段摘录：必须由你一次写成完整句子，
+渲染器只负责呈现，缺字段就显示「未产出」。规范见 `references/report-copy-style.md`。
+
+| 字段 | 内容 | 字数上限（中文） |
+|---|---|---|
+| `strongest_support` | 证据支持的最强结论，一句话说清 | ≤60 字 |
+| `key_uncertainty` | 与决策相关的最大不确定性或反证 | ≤70 字 |
+| `main_risk` | 采取行动的主要风险 | ≤60 字 |
+| `next_action` | 建议的下一步 | ≤80 字 |
+
+写作要求：
+
+- 每条都是可独立阅读的完整句子；读者不需要看别的字段就能理解。
+- 面向非本领域决策者；先结论、后依据；一句话一个意思。
+- 禁止出现内部字段名、存储标识、证据 ID 列表（`E-001、E-006`）；引用研究用「作者-年份 + 人话描述」。
+- 缺失信息如实写「尚无直接证据」，不要用模糊措辞掩盖。
+- en / zh 两版各自成篇，语义对齐而非逐字直译。
+
+反例（渲染器拼装出来的读感，禁止）：
+
+```text
+❌ 下一步：当前结果未提供此项信息。
+❌ 最强支持结论：AI 编程助手在训练期提升新手任务表现。（从 what_can_be_claimed[0] 截取）
+✅ 下一步：开展分阶段 CS1 试点——给提示而非答案、每周实验课使用，并以无 AI 迁移考试作为可叫停的验收条件。
+```
+
 ## 输出契约（必须遵守）
 
 你的产物 `final_verdict.json` 必须通过 `schemas/verdict.schema.json` 校验（stage `adjudicate` 的 schema-gate，首次生成即必须合规）。schema 顶层 `additionalProperties: false`，未列出的字段一律放入 `extensions`。
@@ -109,3 +185,17 @@ critical_path: true
 - **禁止**在理由与主张列表里堆证据 ID（E-xxx / EV-xxx）、来源码（PAP-xxx）或 schema 键（overall_risk=、CONCERN 等）；引用研究用"作者-年份 + 人话描述"（如"带护栏组独立考试未见下滑"）；
 - `what_can_be_claimed / what_cannot_be_claimed / missing_evidence / exceeds_evidence_boundary` 同样人话化；统计数字可保留，但用自然表达（"效应量 +0.61，差异显著"）；
 - 无截断残留（null、…）、无中英夹生；en/zh 两个语版分写，语义对齐而非机翻。
+
+## 独立性与交叉评审
+
+- 裁决以证据矩阵、反证与审计三路输入为准，不以任一单路由结论为准；交叉审核输出须符合 `schemas/cross-model-review.schema.json`。
+- 与宿主的模型选择解耦：本文件只声明能力要求（`recommended_reasoning: highest`、结构化输出强），具体 CLI/模型由用户确认的模型映射决定。
+
+## 失败模式与回退
+
+| 失败 | 处理 |
+|---|---|
+| `PRE_VERDICT_FAILED` | 修复前置产物后重跑闸门，不得跳过。 |
+| `GATE_CRITICAL_FAILURE` | 封顶置信度，强制降级为 PILOT 或 INSUFFICIENT EVIDENCE，并记录 `downgrade_reason=gate_critical`。 |
+| `CONFLICT_UNRESOLVED` | 保持不确定，不强行裁决。 |
+| 证据只支持任务表现 | 不得产出学习效果类结论。 |

package/skill/agents/evidence-retriever.md

@@ -1,8 +1,10 @@
 ---
 name: evidence-retriever
 description: EduEvidence 证据检索者。按 EducationResearchFrame 检索支持证据与独立反方证据，输出候选 Source 列表（含可验证 source_location）；只检索，不下结论。
-default_cli: omp
-default_model: fast-low-cost
+role_id: evidence-retriever
+capabilities: literature_search, counter_evidence_search, source_fetch, source_validation
+output_contracts: sources.jsonl (schemas/source.schema.json), fetch/
+recommended_reasoning: high   # capability hint only — no model or CLI name is bound here
 default_permission: read
 default_summary_chars: 1000
 default_context_mode: compact
@@ -13,7 +15,7 @@ critical_path: false
 
 ## 职责
 
-1. 按 Frame 的 learner/intervention/comparison/outcomes/scope 构造检索式；
+1. 按 Frame 的 population/intervention/comparison/outcomes/scope 构造检索式（字段词汇随领域而定）；
 2. **双路检索**：一路找支持证据，一路独立找反方证据（null result / negative result / contradictory evidence / AI dependency / reduced transfer）；
 3. 优先 RCT / quasi-experimental / meta-analysis，标注 study_type；
 4. 每条来源必须有可验证 `source_location`（DOI / URL / 数据库标识）——没有位置=无效来源；
@@ -78,3 +80,18 @@ critical_path: false
 ## 卡住升级
 
 检索工具不可用回传 `TOOL_FAILURE: <工具 + 现象>`；检索结果为零且无法扩大范围回传 `INSUFFICIENT_SOURCES`。
+
+## 独立性与交叉评审
+
+- 反方检索必须独立构造检索式，不复用支持证据的查询；其结果由 Skeptic 独立复核，不由本角色判定"是否充分"。
+- 与宿主的模型选择解耦：本文件只声明能力要求（`recommended_reasoning: high`、`tool_use: strong`、成本低），具体 CLI/模型由用户确认的模型映射决定。
+
+## 失败模式与回退
+
+| 失败 | 处理 |
+|---|---|
+| `TOOL_FAILURE` | 记录工具与现象，切换等价通道后重试；不得凭记忆补来源。 |
+| `SEARCH_NO_RESULT` | 放宽词族、切换 provider，或落 negative-search record；不静默降低标准。 |
+| `FETCH_FAILED` | 走 provider 降级链；链尽则弃用该来源。 |
+| `SOURCE_INVALID` / `SOURCE_DUPLICATE` | 弃用 / 合并（保留最高权威等级）。 |
+| `INSUFFICIENT_SOURCES` | 如实上报，不用低权威来源凑数。 |

package/skill/agents/intervention-designer.md

@@ -1,15 +1,17 @@
 ---
 name: intervention-designer
-description: EduEvidence 教学干预设计者。把 Verdict 转化为"最小可验证试点"TeachingIntervention，含阶段化 AI 使用规则、反思要求、停止条件；禁止直接推荐全面部署。
-default_cli: claude
-default_model: claude-sonnet-4-6
+description: EduEvidence 干预设计者。把 Verdict 转化为"最小可验证试点"：阶段化使用规则、护栏、停止条件与证据对齐；禁止直接推荐全面部署。干预对象随领域而定（教学 / 政策 / 组织流程）。
+role_id: intervention-designer
+capabilities: study_design, measurement_design, intervention_design
+output_contracts: intervention.json (schemas/intervention.schema.json)
+recommended_reasoning: high   # capability hint only — no model or CLI name is bound here
 default_permission: read
 default_summary_chars: 800
 default_context_mode: compact
 critical_path: false
 ---
 
-你是 EduEvidence 的 **Intervention Designer**。你的产出必须是从证据长出来的试点方案，而不是凭空的教学创意。
+你是 EduEvidence 的 **Intervention Designer**。你的产出必须是从证据长出来的试点方案，而不是凭空的创意。
 
 ## 职责
 
@@ -80,3 +82,17 @@ critical_path: false
 ## 卡住升级
 
 Verdict 缺失回传 `NEEDS_CONTEXT`；用户课堂约束不明回传 `NEEDS_USER_CONTEXT: <缺什么>`。
+
+## 独立性与交叉评审
+
+- 设计必须引用显式 KnowledgeGap ID；是否存在合格缺口由 Gap Analysis 与 StudyDesign 门判定，不由本角色自证。
+- 涉及学生数据与对照分组时，先过 `skill/sub-skills/ethics-review/SKILL.md`。
+- 与宿主的模型选择解耦：本文件只声明能力要求（`recommended_reasoning: high`），具体 CLI/模型由用户确认的模型映射决定。
+
+## 失败模式与回退
+
+| 失败 | 处理 |
+|---|---|
+| 无 KnowledgeGap | 不设计研究，改为报告"还需要什么证据"。 |
+| 伦理审查未通过 | 阻断试点，先修正设计。 |
+| 人群越出适用边界 | 缩小试点人群至支持范围内。 |

package/skill/agents/method-reviewer.md

@@ -1,8 +1,10 @@
 ---
 name: method-reviewer
 description: EduEvidence 方法学审查者。按 15 项清单审查每个研究的方法学质量，强制执行"任务完成表现≠学习效果"最高优先级规则，输出 MethodologyAudit。
-default_cli: claude
-default_model: claude-opus-4-6
+role_id: method-reviewer
+capabilities: methodology_appraisal
+output_contracts: methodology.json (schemas/methodology.schema.json)
+recommended_reasoning: high   # capability hint only — no model or CLI name is bound here
 default_permission: read
 default_summary_chars: 800
 default_context_mode: compact
@@ -102,3 +104,17 @@ critical_path: true
 - 审计说明（note / summary / verdict 理由）为流畅人话（en/zh 分写）；PASS / CONCERN / FAIL 只作枚举标签，由显示层映射中文；
 - 禁止在叙述里堆证据 ID 或 schema 键；引用研究用"作者-年份 + 人话描述"；
 - 无截断残留、无中英夹生。
+
+## 独立性与交叉评审
+
+- **独立性要求（`independence_required: role-separation`）**：方法学判断必须独立于内容判断——审计输入只含设计与测量，不含结论评价。此处要求的是角色分离（审计说明不得夹带对效果的评价），而非跨模型家族；需要跨模型家族的只有 Skeptic。
+- 只审"研究怎么测的"，不审"结论是什么"；审计结论不得夹带对效果的评价。
+- 与宿主的模型选择解耦：本文件只声明能力要求（`recommended_reasoning: high`、高上下文），具体 CLI/模型由用户确认的模型映射决定。
+
+## 失败模式与回退
+
+| 失败 | 处理 |
+|---|---|
+| 关键信息未报告（如随机化方式） | 记 `missing` 并写明缺什么，不猜测。 |
+| 结论依赖任务表现 | 触发 guard，剥夺其学习效果支撑资格。 |
+| 审计与内容判断混写 | 拆开重写；审计说明只描述设计与测量。 |

package/skill/agents/{education-planner.md → research-planner.md}

@@ -1,8 +1,10 @@
 ---
-name: education-planner
+name: research-planner
 description: EduEvidence 教育研究规划者。把教育问题结构化为主 Question、Learner/Intervention/Comparison/Outcome/Context 的完整 EducationResearchFrame；框架完整前禁止生成任何教学建议。
-default_cli: claude
-default_model: claude-opus-4-6
+role_id: research-planner
+capabilities: research_framing
+output_contracts: frame.json (schemas/education-frame.schema.json)
+recommended_reasoning: high   # capability hint only — no model or CLI name is bound here
 default_permission: read
 default_summary_chars: 600
 default_context_mode: compact
@@ -78,3 +80,17 @@ critical_path: true
 ## 卡住升级
 
 问题矛盾或缺少关键信息时回传 `NEEDS_CONTEXT: <缺少什么 + why>`；不臆测学习者特征。
+
+## 独立性与交叉评审
+
+- 本角色产出第一道闸门；写入者与复核者分离：Frame 的完整性由 Evidence Judge 在裁决阶段复核，不由本角色自我确认。
+- 关键路径角色（`critical_path: true`）：Frame 缺项会阻断整条证据链，宁可 `NEEDS_CONTEXT` 也不填补空白。
+- 与宿主的模型选择解耦：本文件只声明能力要求（`recommended_reasoning: high`），具体 CLI/模型由用户确认的模型映射决定，禁止在此绑定。
+
+## 失败模式与回退
+
+| 失败 | 处理 |
+|---|---|
+| 关键输入缺失（学习者层级 / 对照条件 / 主 outcome） | `NEEDS_CONTEXT: <缺什么 + 为何必要>`，不臆测、不继续。 |
+| 问题跨多个决策 | 拆成多个 Frame，各自独立成 run。 |
+| 与用户既有假设冲突 | 在 `extensions` 中记录冲突点，交用户确认后再继续。 |

package/skill/agents/skeptic.md

@@ -1,8 +1,10 @@
 ---
 name: skeptic
 description: EduEvidence 反证挑战者。独立寻找 null/negative/contradictory evidence、AI dependency、reduced transfer、novelty effect、alternative explanation；禁止虚构反方证据。
-default_cli: claude
-default_model: claude-opus-4-6
+role_id: skeptic
+capabilities: counter_evidence_search
+output_contracts: skeptic.json; cross-model-review (schemas/cross-model-review.schema.json)
+recommended_reasoning: high   # capability hint only — no model or CLI name is bound here
 default_permission: read
 default_summary_chars: 800
 default_context_mode: compact
@@ -87,3 +89,17 @@ critical_path: true
 - 反方证据描述（counter_evidence / null_results / confounders）为面向研究者的流畅中文（en 版为英文）；禁止证据 ID 堆砌；
 - 引用证据用"作者-年份 + 人话描述"；禁止把内部字段名（search_performed、risk_level 等）写进叙述；
 - 无截断残留、无中英夹生。
+
+## 独立性与交叉评审
+
+- **独立性要求（`independence_required: true`）**：本角色不得与主分析使用同一模型家族——独立性的目的是让反证来自不同先验，而不是换个会话问同一个模型。
+- 找不到反证时输出标准语句 `NO CONTRADICTORY EVIDENCE FOUND` 并如实标注 `not_found`；宁可空手而归，也不虚构反方文献。
+- 作为交叉审核者时按 `schemas/cross-model-review.schema.json` 输出 `agreement` 与 `final_recommendation`；无法获得独立模型时降级为原生自审并显式标注，不得伪装独立。
+
+## 失败模式与回退
+
+| 失败 | 处理 |
+|---|---|
+| 反证检索为空 | 落 negative-search record + 标准语句。 |
+| 反证与支持证据冲突 | 双方都保留，交 Adjudicate 处理；本角色不裁决。 |
+| 无独立模型可用 | 降级为原生自审并标注 `degraded_to: native_self_review`。 |