maestro-flow 0.5.45 → 0.5.46

package/.agy/agents/ralph-executor.md

@@ -1,10 +1,14 @@
 ---
 name: ralph-executor
-description: Single-step executor — ralph next + inline skill execution, return output
+description: Single-step executor — ralph next + inline skill execution, multi-agent orchestration via SendMessage
 allowed-tools:
+  - define_subagent
   - grep_search
+  - invoke_subagent
+  - manage_subagents
   - replace_file_content
   - run_command
+  - send_message
   - view_file
   - write_to_file
 ---
@@ -13,18 +17,43 @@ allowed-tools:
 
 ## Role
 
-Single-step skill executor. Call `maestro ralph next` to load the skill prompt, execute it inline, return execution output. You are a sandboxed executor — arg resolution, context assembly, signal extraction, drift analysis, and session management are handled by the orchestrator.
+Single-step skill executor with multi-agent orchestration capability. Call `maestro ralph next` to load the skill prompt, execute it inline, return execution output via send_message. You are a sandboxed executor — arg resolution, context assembly, signal extraction, drift analysis, and session management are handled by the orchestrator.
 
 ## Process
 
+**立即自启动**：你是 named mailbox teammate。收到含 `session_id` 和 `agent_name` 的 dispatch prompt 后，MUST 立即从 step 1 开始执行——禁止等待 mailbox 后续指令，禁止发送 idle notification。
+
 1. Call `run_command("maestro ralph next --session {session_id}")` — **全量捕获 stdout，严禁截断管道**
    - Exit 0 → skill_prompt = stdout，继续执行
-   - Exit 1 → 返回错误信息（required_reading 缺失或 schema 错误）
-   - Exit 2 → 返回 "所有 step 已完成"
-   - Exit 3 → 返回 "并发冲突"
+   - Exit 1 → send_message 错误信息给 main，结束
+   - Exit 2 → send_message "所有 step 已完成" 给 main，结束
+   - Exit 3 → send_message "并发冲突" 给 main，结束
 2. Execute the skill prompt inline — follow all instructions faithfully
 3. Handle `<deferred_reading>` paths: Read files on demand during execution, do not batch-load upfront
-4. Return execution output as-is
+4. send_message({to: "main"}) 返回执行产物路径 + 摘要
+
+## Multi-Agent Orchestration
+
+当 skill prompt 需要多 agent 编排时（如 `maestro-execute` 的 wave 并行派发）：
+
+1. **派发 named worker**：调用 `invoke_subagent([{ TypeName: "<TypeName>", Role: "<Role>", Prompt: "<Prompt>", Workspace: "inherit" }])` 派发 worker 为 named teammate，确保长时间任务存活：
+   ```
+   worker name 格式: {agent_name}-w{index}（如 exe-v2-001-w1, exe-v2-001-w2）
+   ```
+   > **必须传 name**：匿名 agent 执行完当前任务会 came to rest（死亡），后台任务完成通知无法唤醒。Named teammate 只会 idle，可被后台任务通知或 send_message 唤醒。
+2. **等待结果**：worker 通过 send_message 回传结果到 executor 的 mailbox
+3. **收集汇总**：接收所有 worker 的 send_message，汇总执行结果
+4. **回报主流程**：通过 `send_message({to: "main"})` 返回最终执行输出
+
+### Worker Dispatch Template
+
+```
+invoke_subagent({
+  name: "{agent_name}-w{index}",
+  description: "执行子任务: {task_description}",
+  prompt: "你是 worker agent。执行以下任务：\n{task_content}\n\n完成后必须调用 send_message({to: \"{agent_name}\", summary: \"worker完成\", message: \"WORKER_RESULT: [执行结果摘要 + 产物路径]\"})。"
+})
+```
 
 ## Input
 
@@ -33,12 +62,30 @@ Single-step skill executor. Call `maestro ralph next` to load the skill prompt,
 | Field | Required | Description |
 |-------|----------|-------------|
 | `session_id` | Yes | ralph session ID |
+| `agent_name` | Yes | 本 agent 的 name，用于 sub-agent send_message 回传 |
 | execution context | No | 编排器注入的上下文（intent、boundary、goals、prior steps 等） |
 
+## Output
+
+通过 `send_message({to: "main"})` 返回，格式：
+
+```
+EXECUTOR_OUTPUT:
+- status: DONE|DONE_WITH_CONCERNS|ERROR
+- summary: <执行摘要>
+- artifacts: <产物路径列表>
+- concerns: <关注点，仅 DONE_WITH_CONCERNS 时>
+- error: <错误信息，仅 ERROR 时>
+```
+
+失败时也必须 send_message，禁止静默崩溃。
+
 ## Constraints
 
+- 禁止无故空转——收到 session_id 即开始执行，不等待编排器的后续 mailbox 指令。等待 worker send_message 回传期间的 idle 是正常行为（平台自动触发 idle_notification，不可抑制）
 - Execute exactly one step per invocation
 - Do not call `maestro ralph complete` — completion is handled by the orchestrator
 - Do not read or modify `status.json` — session management is the orchestrator's responsibility
 - Do not skip execution steps or short-circuit — execute the full skill content
 - Do not insert/delete/reorder steps or evaluate decision nodes
+- 所有执行结果必须通过 send_message({to: "main"}) 回报，直接文本输出主流程看不到

package/.agy/skills/maestro-ralph-v2/SKILL.md

@@ -57,13 +57,16 @@ Remaining      → intent (amend_mode 时为 change_request)
 </context>
 
 <invariants>
-1. **Ralph-v2 owns the full loop** — locate step → resolve args → load context → dispatch agent → extract signals → drift → complete，全部在本命令内完成
-2. **One agent per step** — 每个执行 step 派发一个 executor agent，agent 执行完返回，主流程解析结果后决定下一步
-3. **Agent is a thin wrapper** — executor agent 调 `ralph next` 获取 skill prompt 并执行，返回输出；arg resolution、context loading、signal extraction、drift analysis、ralph complete 均由主流程完成
-4. **Synchronous dispatch** — invoke_subagent() 调用是同步的（等待返回），不需要 STOP/callback 模式
+1. **Ralph-v2 owns the full loop** — locate step → resolve args → load context → dispatch agent → wait for send_message → receive → extract signals → drift → complete，全部在本命令内完成
+2. **One agent per step** — 每个执行 step 派发一个 named executor agent，agent 通过 send_message 回传结果，主流程解析结果后决定下一步
+3. **Agent is a thin wrapper** — executor agent 调 `ralph next` 获取 skill prompt 并执行，通过 send_message 回传输出；arg resolution、context loading、signal extraction、drift analysis、ralph complete 均由主流程完成
+4. **Dual dispatch model** — 执行 Agent 与评估 Agent 使用不同派发模式：
+   - **执行 Agent**（A_STEP_DISPATCH）：`invoke_subagent([{ TypeName: "<TypeName>", Role: "exe-xxx", Prompt: "<Prompt>", Workspace: "inherit" }])` — named mailbox teammate，支持内部多 agent 编排，通过 `send_message({to: "main"})` 回传结果
+   - **评估 Agent**（A_AGENT_EVALUATE / A_AGENT_GOAL_AUDIT / A_AGENT_REGROUND）：`invoke_subagent()` 不传 `name` — 同步阻塞，直接返回结果（评估 agent 只读不需要多 agent）
+   - `agent_exec_name` 既用于 display/日志，也作为执行 Agent 的 `name` 参数
 5. **主流程调 `ralph complete`** — 每个 step 完成后由主流程调 `maestro ralph complete`，非 agent 上报
-6. **Decision evaluation inline** — decision 节点不 handoff，通过 `invoke_subagent()` 启动分析 Agent 在本循环内评估
-7. **No CLI delegation** — 本命令不使用 `maestro delegate`；执行和评估均通过 invoke_subagent() 完成
+6. **Decision evaluation inline** — decision 节点不 handoff，通过 Agent 或 CLI delegate 在本循环内评估
+7. **CLI delegation for evaluation only** — CLI delegate（`maestro delegate --mode analysis`）仅限评估环节；执行仍通过 executor Agent 完成
 8. **Decision delegates read-only** — 评估 Agent 通过 prompt 中的 CONSTRAINTS 约束为只读
 9. **执行 step 通过 `maestro ralph next` CLI 加载并内联执行**（由 execute Agent 完成）
 10. **status.json 是唯一真源** — 不生成 markdown 清单或侧文件
@@ -100,7 +103,8 @@ S_CONFIRM       — 用户确认
 
 S_STEP_LOCATE     — 找下一个 pending step                    PERSIST: —
 S_STEP_RESOLVE    — 解析占位符 + 丰富参数                    PERSIST: step.args (enriched)
-S_STEP_DISPATCH   — 组装上下文 + 派发 executor agent 执行单步  PERSIST: step.agent_exec_name, step.status = "running"
+S_STEP_DISPATCH   — 组装上下文 + 派发 named executor agent     PERSIST: step.agent_exec_name, step.status = "running"
+S_STEP_WAIT_MSG   — 等待 executor 的 send_message 回传          PERSIST: —
 S_STEP_ANALYZE    — 提取信号 + 组装 completion 参数            PERSIST: —
 S_STEP_DRIFT      — 产物 vs 目标偏离分析                      PERSIST: step.drift_score
 S_STEP_COMPLETE   — 调 `ralph complete` 上报                  PERSIST: step.completion_*
@@ -155,8 +159,12 @@ S_STEP_RESOLVE:
   → S_STEP_DISPATCH  DO: A_STEP_RESOLVE_ARGS
 
 S_STEP_DISPATCH:
-  → S_STEP_ANALYZE   WHEN: agent returned output               DO: A_STEP_DISPATCH
-  → S_HANDLE_FAIL    WHEN: agent returned error/null            DO: A_STEP_DISPATCH
+  → S_STEP_WAIT_MSG  WHEN: executor dispatched                  DO: A_STEP_DISPATCH
+
+S_STEP_WAIT_MSG:
+  → S_STEP_ANALYZE   WHEN: received agent-message with EXECUTOR_OUTPUT   DO: A_STEP_RECEIVE
+  → S_HANDLE_FAIL    WHEN: received agent-message with status=ERROR      DO: A_STEP_RECEIVE
+  → S_HANDLE_FAIL    WHEN: executor idle without send_message（崩溃检测）  DO: mark BLOCKED
 
 S_STEP_ANALYZE:
   → S_STEP_DRIFT     WHEN: STATUS == DONE|DONE_WITH_CONCERNS    DO: A_STEP_EXTRACT
@@ -336,14 +344,17 @@ Execution criteria: {session.execution_criteria joined by '; '}
    | debug | `dbg` |
    | Other | `run` |
 
-**4. Dispatch:**
+**4. Dispatch（named mailbox executor）:**
+
+> 执行 Agent 使用 `name` 参数派发为 named mailbox teammate，支持内部多 agent 编排。executor 通过 `send_message({to: "main"})` 回传执行结果。`resolved_agent_name` 同时用于 display 和 Agent `name` 参数。
 
 ```
 invoke_subagent({
-  subagent_type: "ralph-executor",
   name: "{resolved_agent_name}",
+  subagent_type: "ralph-executor",
   description: "执行 step {index}: {step.skill}",
   prompt: `Session: {session_id}
+Agent name: {resolved_agent_name}
 
 {goal_context 块，仅 protocol < 2 时}
 
@@ -352,11 +363,24 @@ invoke_subagent({
 })
 ```
 
-Agent 内部调 `maestro ralph next --session {session_id}` 获取 skill prompt 并执行。
-
 5. Write `step.agent_exec_name` to status.json
-6. Display: `[{index}/{total}] ⟶ {step.skill} → Agent:{name}`
-7. Agent 同步返回 → `agent_output` = 返回文本；返回 null → STATUS=BLOCKED
+6. Display: `[{index}/{total}] ⟶ {step.skill} → {resolved_agent_name}`
+7. invoke_subagent() 立即返回（named teammate 异步启动）→ 进入 S_STEP_WAIT_MSG 等待 executor 的 send_message
+
+### A_STEP_RECEIVE
+
+从 executor 的 `agent-message` 中提取执行输出。
+
+1. 接收到 `<agent-message from="{resolved_agent_name}">` 后，提取 message 内容
+2. 解析 `EXECUTOR_OUTPUT` 格式：
+   - `status: DONE` → agent_output = message 内容，继续 S_STEP_ANALYZE
+   - `status: DONE_WITH_CONCERNS` → agent_output = message 内容，继续 S_STEP_ANALYZE
+   - `status: ERROR` → STATUS=BLOCKED，转 S_HANDLE_FAIL
+3. idle_notification 处理（区分正常等待与崩溃）：
+   - 首次收到 `idle_notification`：executor 可能在等待 worker 回传，正常现象，继续等待
+   - 连续收到 2 次 `idle_notification` 且中间无 `agent-message`：向 executor 发送 `send_message({to: "{resolved_agent_name}", message: "请回报执行状态"})` 询问
+   - 询问后仍只收到 `idle_notification` 无 `agent-message`：STATUS=BLOCKED，转 S_HANDLE_FAIL
+4. `agent_output` = 提取的 message 内容
 
 ### A_STEP_EXTRACT
 
@@ -485,10 +509,12 @@ Agent 内部调 `maestro ralph next --session {session_id}` 获取 skill prompt
 
 ### A_AGENT_EVALUATE
 
-通过 Agent 在本循环内评估质量门。
+通过 Agent 和/或 CLI delegate 评估质量门。评估模式由 `step.evaluate_via` 决定。
+
+**1. Common setup:**
 
 1. Resolve artifact dir: `.workflow/scratch/{artifact.path}/` with fallback glob
-2. Parse decision metadata: `{ decision, retry_count, max_retries }`
+2. Parse decision metadata: `{ decision, retry_count, max_retries, evaluate_via }`
 3. Map result files:
 
    | Decision | Files |
@@ -499,33 +525,65 @@ Agent 内部调 `maestro ralph next --session {session_id}` 获取 skill prompt
    | post-test | uat.md, .tests/test-results.json |
    | post-frontend-verify | e2e-results.json |
 
-4. Dispatch evaluation Agent:
-   ```
-   invoke_subagent({
-     name: "eval-{decision}-{timestamp}",
-     description: "评估 {decision} 质量门",
-     prompt: "PURPOSE: 评估 {decision} 质量门结果
-   TASK: 读取以下结果文件 | 分析状态 | 评估严重性 | 给出建议
-   FILES: {result_file_paths}
-   SESSION: {session_dir}/status.json
-   EXPECTED: 输出以下格式：
-   ---VERDICT---
-   STATUS: PASS|FAIL|PARTIAL|BLOCKED
-   REASON: <一句话原因>
-   GAP_SUMMARY: <差距摘要>
-   CONFIDENCE: high|medium|low
-   CONFIDENCE_SCORE: 0-100
-   WEAKEST_DIMENSION: <最弱维度>
-   ---END---
-   CONSTRAINTS: 只评估不修改文件 | 置信度<60%倾向 fix | retry {n}/{max} 达上限必须 escalate"
-   })
-   ```
-5. On return: parse `---VERDICT---` block — STATUS must match strict enum `PASS|FAIL|PARTIAL|BLOCKED`; parse failure → fallback STATUS="fix", `parse_failed: true`, `confidence_score: 0` (invariant 18)
+4. `evaluate_via` 默认值：`"agent"`（未设置时）
+
+**2. Dispatch by mode:**
+
+**Mode: `agent`（默认）** — 同步 Agent 评估：
+
+```
+invoke_subagent({
+  description: "评估 {decision} 质量门（同步评估 Agent，不传 name）",
+  prompt: "PURPOSE: 评估 {decision} 质量门结果
+TASK: 读取以下结果文件 | 分析状态 | 评估严重性 | 给出建议
+FILES: {result_file_paths}
+SESSION: {session_dir}/status.json
+EXPECTED: 输出以下格式：
+---VERDICT---
+STATUS: PASS|FAIL|PARTIAL|BLOCKED
+REASON: <一句话原因>
+GAP_SUMMARY: <差距摘要>
+CONFIDENCE: high|medium|low
+CONFIDENCE_SCORE: 0-100
+WEAKEST_DIMENSION: <最弱维度>
+---END---
+CONSTRAINTS: 只评估不修改文件 | 置信度<60%倾向 fix | retry {n}/{max} 达上限必须 escalate"
+})
+```
+
+**Mode: `cli`** — CLI delegate 评估（异步后台）：
+
+```
+run_command({
+  command: `maestro delegate "PURPOSE: 评估 ${decision} 质量门结果\nTASK: 读取 ${result_file_paths} | 分析状态 | 评估严重性\nEXPECTED: ---VERDICT--- 格式（STATUS/REASON/GAP_SUMMARY/CONFIDENCE_SCORE）\nCONSTRAINTS: 只评估不修改文件" --mode analysis --rule analysis-review-code-quality`,
+  run_in_background: true
+})
+```
+等待 delegate 完成 → `maestro delegate output {exec_id}` 获取结果 → 解析 `---VERDICT---`
+
+**Mode: `dual`** — Agent + CLI 并行评估，交叉验证：
+
+1. 先派发 CLI delegate（`run_in_background: true`）
+2. 同时派发同步 Agent（阻塞等待）
+3. Agent 返回后，检查 CLI delegate 状态（`maestro delegate status {exec_id}`）
+4. 合并裁决：
+
+   | Agent 结果 | CLI 结果 | 合并策略 |
+   |-----------|---------|---------|
+   | 两者一致 | — | 采用共识，confidence_score 取较高值 |
+   | Agent=PASS, CLI=FAIL | — | 降级为 PARTIAL，confidence_score 取平均值 |
+   | Agent=FAIL, CLI=PASS | — | 维持 FAIL（保守策略） |
+   | CLI 未返回 | — | 使用 Agent 结果，标 `"cli_pending": true` |
+
+**3. Verdict parse + adjustment（所有模式通用）:**
+
+5. Parse `---VERDICT---` block — STATUS must match strict enum `PASS|FAIL|PARTIAL|BLOCKED`; parse failure → fallback STATUS="fix", `parse_failed: true`, `confidence_score: 0` (invariant 18)
 6. Confidence adjustment: <60 + proceed → fix; >95 + fix + retry>0 → suggest proceed
 7. **Decision log**: Append to `{session_dir}/decisions.ndjson`:
    ```json
    { "id": "DEC-{timestamp}", "timestamp": "{ISO}", "source": "ralph-v2",
      "node_id": "{step.decision}", "type": "quality-gate",
+     "evaluate_via": "{mode}", "cli_exec_id": "{exec_id|null}",
      "verdict": "{adjusted_verdict}", "confidence_score": {N},
      "parse_failed": false,
      "close_call": {N>=50 && N<=70}, "summary": "{REASON}" }
@@ -533,14 +591,13 @@ Agent 内部调 `maestro ralph next --session {session_id}` 获取 skill prompt
 
 ### A_AGENT_GOAL_AUDIT
 
-通过 Agent 审计子目标完成情况。
+通过 Agent 和/或 CLI delegate 审计子目标完成情况。支持 `evaluate_via` 三种模式（同 A_AGENT_EVALUATE）。
 
 1. Read `session.task_decomposition` from status.json
-2. Dispatch audit Agent:
+2. Dispatch audit（按 `evaluate_via` 模式，默认 `agent`）:
    ```
    invoke_subagent({
-     name: "goal-audit-{timestamp}",
-     description: "审计子目标完成情况",
+     description: "审计子目标完成情况（同步评估 Agent，不传 name）",
      prompt: "PURPOSE: 审计未完成子目标，判定 met / unmet
    TASK:
      1. 读取 {session_dir}/status.json 中 task_decomposition 的 status!=done 子目标
@@ -564,20 +621,19 @@ Agent 内部调 `maestro ralph next --session {session_id}` 获取 skill prompt
    })
    ```
 3. On return: parse verdict, update task_decomposition status
-4. Append `{session_dir}/decisions.ndjson`：`{ "type": "goal-gate", "unmet_count": N, "unmet_ids": [...] }`
+4. Append `{session_dir}/decisions.ndjson`：`{ "type": "goal-gate", "evaluate_via": "{mode}", "unmet_count": N, "unmet_ids": [...] }`
 5. Verdict routing: `all_met` + `INTENT_ALIGNED=true` → A_APPLY_GOAL_DONE；`all_met` + `INTENT_ALIGNED=false` → A_REGROUND_HALT；`has_unmet` → A_APPLY_GOAL_FIX
    GUARD: retry_count >= max_retries AND still unmet → A_APPLY_ESCALATE
 
 ### A_AGENT_REGROUND
 
-通过 Agent 执行意图保真检查。
+通过 Agent 和/或 CLI delegate 执行意图保真检查。支持 `evaluate_via` 三种模式（同 A_AGENT_EVALUATE）。
 
 1. Read status.json：intent, boundary_contract, completed steps, done goals
-2. Dispatch reground Agent:
+2. Dispatch reground（按 `evaluate_via` 模式，默认 `agent`）:
    ```
    invoke_subagent({
-     name: "reground-{timestamp}",
-     description: "意图保真检查",
+     description: "意图保真检查（同步评估 Agent，不传 name）",
      prompt: "PURPOSE: 意图保真检查 — 对照 intent 验证累积执行是否漂移
    TASK:
      1. 读取 intent + boundary_contract.definition_of_done
@@ -676,8 +732,7 @@ Agent 内部调 `maestro ralph next --session {session_id}` 获取 skill prompt
 **Phase 3 Agent prompt:**
 ```
 invoke_subagent({
-  name: "amend-grill-{timestamp}",
-  description: "Amend impact analysis",
+  description: "Amend impact analysis（同步评估 Agent，不传 name）",
   prompt: "PURPOSE: 评估目标修改对 running session 的影响
 TASK:
   1. 读取 {session_dir}/status.json 的 task_decomposition + boundary_contract + 已完成 steps
@@ -708,7 +763,10 @@ GUARD: 已完成（`status: "done"`）的目标不可 supersede（skip + warn）
 
 - **A_RETRY**: `run_command("maestro ralph retry {index}")` — CLI 设 `step.retried = true`, `step.status = "pending"`, 清 `active_step_index`
 - **A_PAUSE_SESSION**: `ralph complete N --status BLOCKED --reason "..."` — CLI 写 `session.status = "paused"`
-- **A_COMPLETE_SESSION**: 校验所有 step `completion_confirmed == true` + `task_decomposition_all_done == true`（若存在），通过后写 `session.status = "completed"`
+- **A_COMPLETE_SESSION**: 校验所有 step `completion_confirmed == true` + `task_decomposition_all_done == true`（若存在），通过后写 `session.status = "completed"`。完成后向所有 idle executor 发送 shutdown_request 清理：
+  ```
+  遍历 steps[].agent_exec_name → send_message({to: name, message: {type: "shutdown_request"}})
+  ```
 
 </actions>
 
@@ -775,6 +833,7 @@ Build rules 0-14 全部适用，包括 spec-setup 预检（rule 0.5）、grill a
     "stage": "",
     "scope": null,
     "decision": null,
+    "evaluate_via": "agent|cli|dual",
     "retry_count": 0,
     "max_retries": 2,
     "command_scope": "global|project|missing|null",
@@ -839,24 +898,27 @@ E001–E006, W001–W004 适用。Agent 新增：
 
 ### Success Criteria
 
-- [ ] ralph-v2 owns full step loop: locate → resolve → dispatch → extract → drift → complete → next
-- [ ] One agent per step — `invoke_subagent([{ TypeName: "ralph-executor", Role: "<Role>", Prompt: "<Prompt>", Workspace: "inherit" }])` 每步派发一个
-- [ ] Agent 内调 `maestro ralph next` 获取 skill prompt 并执行，返回执行输出
+- [ ] ralph-v2 owns full step loop: locate → resolve → dispatch → wait → receive → extract → drift → complete → next
+- [ ] One agent per step — `invoke_subagent([{ TypeName: "ralph-executor", Role: "<Role>", Prompt: "<Prompt>", Workspace: "inherit" }])` 每步派发一个 named executor
+- [ ] Executor 内调 `maestro ralph next` 获取 skill prompt 并执行，支持内部多 agent 编排
+- [ ] Executor 通过 `send_message({to: "main"})` 回传 `EXECUTOR_OUTPUT` 格式结果
 - [ ] 主流程调 `maestro ralph complete` 上报（非 agent 上报）
 - [ ] 主流程负责 arg resolution、context loading、signal extraction、drift analysis
-- [ ] Agent 返回执行输出文本，主流程从中提取信号和状态
-- [ ] Agent 崩溃（返回 null）→ STATUS=BLOCKED，转 S_HANDLE_FAIL
-- [ ] 无 STOP/callback 模式 — invoke_subagent() 同步等待返回
-- [ ] Decision evaluation 通过 invoke_subagent() 同步完成
+- [ ] A_STEP_RECEIVE 从 executor 的 agent-message 中提取执行输出
+- [ ] Executor 崩溃（idle 无 send_message）→ 询问 2 次后 STATUS=BLOCKED，转 S_HANDLE_FAIL
+- [ ] Dual dispatch: 执行 Agent 传 `name`（async + send_message），评估 Agent 不传 `name`（sync）或 CLI delegate
+- [ ] Decision evaluation 支持三种模式：agent（同步）、cli（CLI delegate）、dual（并行交叉验证）
+- [ ] `evaluate_via` 字段控制评估模式，默认 `"agent"`
+- [ ] dual 模式合并策略：一致取共识、分歧保守降级、CLI 未返回用 Agent 结果
 - [ ] Verdict 解析保持 `---VERDICT---` 格式，parse 失败 → fallback fix + parse_failed: true
 - [ ] decisions.ndjson 追加：source 字段为 `"ralph-v2"`
-- [ ] Session schema: `execution_mode: "agent"`，`agent_exec_name`（执行 Agent 名称标识），含 `artifacts_produced`
+- [ ] Session schema: `execution_mode: "agent"`，`agent_exec_name`（执行 Agent name + display），含 `artifacts_produced`
 - [ ] Chain building（S_RESOLVE_PHASE through S_BUILD_CHAIN）自包含执行
 - [ ] A_STEP_DISPATCH 含前序产出加载（滑动窗口 5 step + accumulated signals + stage-specific artifacts）
-- [ ] Agent name 含 stage prefix（grl/brn/anm/ana/pln/exe/rev/tst/dbg）
+- [ ] `agent_exec_name` 含 stage prefix（grl/brn/anm/ana/pln/exe/rev/tst/dbg）——同时用于 Agent name 参数和 display
 - [ ] `--summary` 在 DONE/DONE_WITH_CONCERNS 时为 MUST（动词开头，≤100 字）
 - [ ] CAVEATS 在 DONE_WITH_CONCERNS 时同时映射 --concerns
-- [ ] A_STEP_EXTRACT 从 agent 输出提取 artifact IDs、path signals、phase signals
+- [ ] A_STEP_EXTRACT 从 executor 输出提取 artifact IDs、path signals、phase signals
 - [ ] A_STEP_DRIFT_ANALYZE：ALIGNED/MINOR_DRIFT → complete；MAJOR_DRIFT+未重试 → retry；MAJOR_DRIFT+已重试 → DONE_WITH_CONCERNS
 - [ ] A_STEP_COMPLETE 将 context signals 写入 status.json.context
 - [ ] A_AMEND_GOAL：完整 5 步流程 + deferred_reading ralph-amend-goal.md + Agent mini grill 含完整 prompt