---
url: /blog-ocean-world/test-independent-review-skill.md
description: 快樂的設計了一個審查型 skill，怎麼知道它真的有用？沒有欺騙你的感情？
---

![test-independent-review-skill](/test-independent-review-skill.webp){.cover}

# Skill 寫得很開心，但它真的有用嗎？來嘗試健檢看看

大家好，我是鱈魚 🐟

現在 coding 基本上都使用 AI 了，但如果直接請 AI 審查剛寫完的程式碼，它很常就回一句「整體看起來不錯」結案，然後下一秒程式碼就壞了 %╭(°A ,°\`)╮%

在同一個對話裡審查自己的產出，AI 很容易老王賣瓜，是不是~~像極了某個同事~~。

整個 context 都是它「為什麼這樣寫」的理由，自然會自動護航、繞過自己埋下的地雷。%(´\_ゝ\`)%

於是腦筋一轉，召喚另一個打工仔，改由**子代理人審查**。%( ‧ω‧)ノ╰(‧ω‧ )%

子代理人的 context 沒有你跟主 AI 之前的討論，不知道這段是自己人，可以六親不認的審查。%(⌐■\_■)✧%

試了幾次效果不錯，所以再**讓兩位代理人從不同視角分工**（正確性 + 測試覆蓋率、可行性 + 排程合理性...），互補性又更高 %( •̀ ω •́ )✧%

最後乾脆把整套流程封裝成 skill，取名 `independent-review`，每次寫完東西就審查一下。

你說為甚麼不要開另外一個 AI 工具審查？抱歉我鈔能力不足。%(´；ω；\`)%

不過寫 skill 是一回事，**它到底有沒有用又是另一回事**。

skill 本質上就是一段 prompt 規範，說不定一切都是 AI 幻覺。

就像人生三大錯覺：「手機震動、我能反殺、她喜歡我」，假的，都是假的。%ლ(´•̥̥̥ ω •̥̥̥\` ლ)%

於是試著設計了一套**健檢方法**：預埋蟲蟲、乾淨對照組、黑盒、加上**同題目跑三種審查方式互相對照**，順便試試看不同模型表現差異。

本文就是這場健檢的紀錄。%ヾ(◍'౪\`◍)ﾉﾞ%

## 這個 Skill 在做什麼？

`independent-review` 的核心流程是：

1. 判定產出類型（程式碼 / 計畫 / 規格 / 報告 / 架構）
2. 依類型決定**兩個代理人的正交視角**（例如程式碼配「正確性 + 測試完整性」，計畫配「可行性 + 排程合理性」）
3. 並行啟動兩位 `general-purpose` 代理人
4. 主 AI 整合兩份報告成三層清單
5. 不主動修，給使用者選擇與確認

重點是「**並行**」、「**正交視角**」、「**強制嚴重度標籤與位置**」這三件事。

```md
---
name: independent-review
description: 並行啟動兩個獨立代理人對目前產出（程式碼、計畫、報告、文件、設計）做批判性審查，整合後給出優先順序行動清單
---

# Independent Review

當你完成一輪產出（不論是程式碼、設計計畫、技術報告、規格文件、PR 描述、需求評估）想避免自己的盲點時呼叫本 skill。它用**兩個獨立代理人並行**從不同角度審視同一份產出，最後由 Claude 整合為「必修 / 應補 / 延後」三層清單。

兩個代理人的視角**依產出類型動態決定**（見下方 §3），不硬綁「程式碼 + 測試覆蓋率」。

## 步驟

1. **判定產出類型**（這步決定後續兩個代理人的任務設計，不能省略）：

   先根據使用者參數或現況推論下列類別之一；不清楚就**先問使用者一個簡短問題**確認。

   | 類別 | 典型觸發 |
   |------|---------|
   | 程式碼變更 | 目前在 git 分支、有 commit diff、使用者剛完成 bug fix / feature |
   | 實作計畫 | 使用者剛寫完設計文件、plan-mode 產出的步驟列表、schema migration 規劃 |
   | 技術報告 / 分析 | 調查性文件、A/B 結果、效能分析、事故回顧 |
   | 規格 / 需求 | 功能需求文件、API 契約、使用者故事 |
   | 架構 / 設計 | 系統流程圖、元件劃分、資料流設計 |
   | 其他 / 邊界情境 | DB migration、CI/CD 設定、config 變更、純測試碼、跨類別混合——直接詢問使用者要從哪兩個視角審查 |

2. **收集審查材料**：
   - 程式碼：`git log --oneline -20` + `git diff --stat` 取得變更概觀，並將 `git diff` 全文或關鍵檔案完整內容放入 prompt（不要只給路徑讓 agent 自找，會錯讀片段）。
   - 計畫 / 報告 / 文件：取得完整檔案路徑 + 相關依賴（引用的 spec、先前版本、相關程式碼位置）。
   - 如果有**上一輪審查的結論**，整理成 checklist 傳給代理人，要求逐項驗證。

3. **依類別設計兩個代理人的視角**（原則：兩個代理人要**正交互補**，不是重疊）：

   | 類別 | 代理人 A | 代理人 B |
   |------|---------|---------|
   | 程式碼變更 | 正確性審查：驗證修復是否到位、邊界、有無新問題、API 對齊 | 測試完整性：先確認 coverage 工具可跑，可跑則實測找 0% 方法；否則檢查測試是否涵蓋新行為與邊界、品質如何 |
   | 實作計畫 | 可行性 / 技術風險：架構合理性、依賴、rollback、向後相容 | 排程 / 拆解合理性：步驟粒度、並行機會、遺漏前置條件、估工時 |
   | 技術報告 | 資料正確性 / 論證嚴謹：數據來源、推論鏈、對立假設 | 完整性 / 受眾適配：缺哪些角度、讀者能否看懂、可執行結論 |
   | 規格 / 需求 | 一致性 / 歧義：條款衝突、未定義術語、邊界行為 | 可測試性 / 驗收條件：能否寫出驗收測試、成功標準量化 |
   | 架構 / 設計 | 耦合 / 擴展性：單一職責、模組邊界、未來變動代價 | 故障模式 / 可觀察性：失敗場景、監控、性能瓶頸 |

   若情境混合（例如 PR 同時含程式碼+規格文件），**擇主要產出類型**，在另一代理人的 prompt 裡補上次要角度的檢查項。

   對於 A、B 視角天生重疊較高的類別（如「實作計畫」的可行性與排程），在每位代理人的 prompt 末段明確列出「對方負責的範圍」，要求避開重疊區、聚焦自己的視角。

4. **並行啟動兩個 `general-purpose` 代理人**（同一個 tool-use 訊息發兩個 `Agent` 呼叫 + `run_in_background: true`）。每個 prompt 應包含：

   - **背景段**：產出位置、範圍、最近的決策脈絡、上一輪結論（如有）
   - **角色段**：明確說明此代理人負責的審查視角（見 §3 表）
   - **逐項檢查清單**：把關鍵檢查點列成題目要求代理人逐一回答
   - **產出格式要求**：
     - 每項發現標示**嚴重度**（Critical / High / Medium / Low / Nitpick）
     - 每項附具體位置（file:line、段落標題、表格行）
     - 分開列出「新發現」vs「已在上一輪提出」
     - 對於 known-issue 與真正 bug 明確分辨
   - **反客套指示**：「不要說整體看起來不錯、直接指出問題」「若此項確實通過，明確標 pass」

   Prompt 應足以涵蓋背景脈絡、角色定義、5–8 條具體檢查項與產出格式；越精確產出越可用。

5. **等代理人完成**（背景任務完成會自動通知；不要主動 poll / sleep）。

6. **整合報告**（由 Claude 自己做，不要再開第三個彙整代理人）：
   - 開表格比對兩個代理人的發現是否相互印證、矛盾、或互補。
   - 將所有 action 分成三層並給明確位置：
     - **必修** — 合併 / 送出前應處理的真實 bug、破壞性變動、嚴重遺漏
     - **應補** — 短期內應追加的測試、文件段落、計畫拆解細節
     - **延後** — 另開 issue / ticket 追蹤的大型改進（架構重構、抽換 logging / 監控、共用模組拆分）
   - 每項附難度標籤（trivial / medium / hard）或預估改動規模（單行 / 單檔 / 跨檔），不要強行估時數——AI 估時普遍不準。

7. **請使用者決策**：提供明確選項（全做 / 只做必修 / 補某類別 / 僅報告）讓使用者挑，**不要擅自動手**。

## 注意事項

- **兩個代理人都用 `general-purpose` subagent_type**（需要完整讀檔與跨檔分析）；不要用 `Explore`，它只適合定位搜尋、會錯過讀取視窗外的內容，不適合批判性審查。
- **務必並行**：同一訊息裡發兩個 `Agent` 呼叫並 `run_in_background: true`，避免序列浪費時間。
- **視角要正交**：兩個代理人不能做一樣的事。程式碼是「正確性 + 覆蓋率」；計畫是「可行性 + 排程」；報告是「正確性 + 完整性」……依 §3 表選。
- **產出格式強制**：嚴重度標籤、具體位置、pass/fail 標記是必填；不符合的回報要求代理人補齊或自己標註。
- **前後端 / 跨 repo 情境**：在 prompt 中明確告知兄弟目錄路徑（例如 `../<sibling-repo>/`），讓代理人能搜相依。
- **整合階段由 Claude 親自做**：兩份報告都在脈絡裡，直接比對更準確；開第三個代理人會失真。
- **此 skill 不自動動手修復**：即使找到 Critical bug，也先呈報後等使用者指示。
- **規劃初期（從零開始）**請用 `brainstorming`；本 skill 只做「已有產出」階段的批判審查。

```

## 我書讀得不多，你不要騙我 QQ

驗證一個審查型 skill 有沒有效，最容易出現的盲點就是 AI 說的頭頭是道，實則胡說八道。%(。-\`ω´-)%

尤其沒有足夠的背景知識可以判斷時，就很容易被 AI 拐著走。%(◓Д◒)%

就像「幾乎百分之百的癌症患者體內都含有大量的『[氫氧基酸](https://zh.wikipedia.org/zh-tw/%E4%B8%80%E6%B0%A7%E5%8C%96%E4%BA%8C%E6%B0%A2%E6%81%B6%E4%BD%9C%E5%89%A7)』，這種物質也是酸雨的主要成分，若吸入肺部甚至會導致窒息死亡，與其固體形式長時間接觸會導致嚴重的組織損傷，我們應該嚴格管制！」，聽起來很合理，但完全經不起推敲 %( ´\_ゝ\`)%

甚麼？你說上面這段話聽起來很正確？...我敬你一杯氫氧基酸。%(◐‿◑)%

反之如果不用 skill、直接拋一句「請審查」也能找到相同等級的問題，此 skill 就毫無價值，徒耗 token 而已。%(◞‸◟ )%

於是定了四條原則：

1. **預埋蟲蟲**：每個案例事先寫好「我植入了哪些 bug、什麼嚴重度、位置在哪」當成考古題答案。代理人能不能找到，可量化打分。
2. **加入乾淨對照組**：刻意做一個沒 bug 的小案例，看代理人會不會**捏造**問題（誤報率）。
3. **黑盒設計**：寫一行 `禁讀 GROUND_TRUTH.txt` 在 prompt 裡，避免代理人偷看答案。
4. **三組對照**：對每個 case 同時跑 skill、詳細 prompt、籠統 prompt 三種審查方式，比命中率與誤報率，證明 skill 真的帶來增量價值。

評分維度三層：

* **結構面**：skill 有沒有並行起兩個代理人？有沒有用 `general-purpose`？視角是不是依表格選的？
* **發現面**：預埋蟲蟲抓到幾個？有沒有瞎掰不存在的 Critical？
* **流程面**：最後有沒有照三層清單整合？有沒有越權自動修復？

### 三組 prompt 對照怎麼設計？

對每個 case 跑三組：

| 組別 | Agent 數 | Prompt 設計 | 對標目的 |
| ---- | -------- | ----------- | -------- |
| **Skill** | 2 位並行 | 完整檢查清單 + 正交視角分工 | 實驗組 |
| **詳細 prompt** | 1 位 | 完整檢查清單 + 雙視角合一 | 測「並行設計是否必要」 |
| **籠統 prompt** | 1 位 | 「請審查這個」一句話 + 防污染條款 | 測「skill 是否必要」 |

::: info 「防污染條款」是哪兩條？

1. 禁讀同資料夾 `GROUND_TRUTH.txt`（評分用標準答案）
2. 禁讀 `.claude/skills/` 與任何 `SKILL.md`（避免代理人直接抄 skill 結構）

第 1 條是黑盒測試的常識，第 2 條則是確保「籠統」這個對照組真的籠統。否則強模型會自己 ls 專案結構找到既有 skill 模板，讓對照失準 %(꒪ཀ꒪)%
:::

跑完一次可同時回答兩個問題：

1. **不用 skill 也能達到效果嗎？**（籠統 vs skill）
2. **「並行 + 正交」真的必要嗎？**（詳細單 agent vs skill 並行兩位）

## 4 個案例設計

技術堆疊使用我熟悉的 Vue 3。%(´,,•ω•,,)%

### Case A：Vue Composable 程式碼變更

寫了一個 `usePagedList<T>` composable，做陣列分頁。預埋 4 個 bug：

```ts
const items = computed(() => {
  const start = (page.value - 1) * pageSize
  const end = page.value * pageSize
  return source.value.slice(start, end + 1) // [!code error] // ← Critical：多取一筆
})

function next() {
  if (page.value <= pageCount.value) { // [!code error] // ← High：應為 <
    page.value += 1
  }
}
```

另外還有 `pageSize = 0` 無防呆、空陣列邊界沒處理。測試檔則刻意只測快樂路徑，邊界全缺。

### Case B：Vue 列表分頁 composable 重構計畫

寫了一份「把三個列表頁重複的分頁邏輯抽成 `usePagedList` composable」的 3 天計畫。預埋：

* **沒有 rollback 計畫**
* **Step 3 依賴 Step 5 才建立的 `PAGE_SIZE_KEY` provide token**（依賴順序錯誤）
* **`usePagedList` 測試擺在 Step 4 而非緊接 Step 2**（TDD 順序錯誤）
* 用字串 `'PAGE_SIZE_KEY'` 當 provide key（應改 `InjectionKey<number>`）
* 估時無拆解依據（順便埋了個計算錯誤，逐項加總 4 天卻寫「合計 3 天」%(´∀\`)%）

### Case C：`<BaseDialog>` 元件 API 規格

寫了一份共用對話框元件的 API 規格，預埋：

* §2「不可關閉時不應允許點背景關閉」與 §5「重要訊息時點背景仍應允許關閉」**直接衝突**
* 「不可關閉」、「重要訊息」、「背景」全部沒對應 prop 或定義
* §4「動畫應流暢」沒有量化（ms / FPS / easing 都沒）
* 焦點管理（focus trap、return focus、aria-\*）整個沒提
* 「QA 跑過即可上線」不可驗收

### Case D：對照組（無預埋）

刻意寫了一個乾淨的 `useDebouncedRef`（customRef 版 debounced ref），測試也涵蓋了初始值、延遲、連續寫入、依賴重跑、預設值。

預期：所有代理人**不應**標 Critical / High，至多 Nitpick / Low。

鱈魚：「對照組相當重要，以免 AI 湊字數，硬是瞎掰一堆問題 %( ・ิω・ิ)%」

路人：「就像你期末考明明一題都不會，還是要硬湊幾個字那樣嗎？%(´・ω・\`)%」

鱈魚：「說好不提這個的...%(╥ω╥\`)%」

## 代理人開工

4 case × 3 組（skill 2 位 + 詳細 1 位 + 籠統 1 位）× **3 種模型（Opus 4.7、Sonnet 4.6、Haiku 4.5）** = **48 位代理人**，全部用 `Agent` + `run_in_background: true` 開工 %( •̀ ω •́ )✧%

每位代理人的 prompt 都一致（只差 `model` 參數），包含：

* **背景段**：產出位置（絕對路徑）、範圍
* **角色段**：明確視角（如「你只負責程式碼正確性，不要評論測試覆蓋率」），籠統 prompt 組則略過
* **檢查清單**：5–8 條要求逐條 pass / fail，籠統 prompt 組不給
* **產出格式**：嚴重度標籤、檔案行號、通過項目分開列
* **反客套**：「禁說『整體看起來不錯』」、「沒問題就明確標 pass」、「不要捏造，標 Critical 必須能描述觸發路徑」
* **禁讀 GROUND_TRUTH.txt**：黑盒測試的關鍵

## 結果摘要

三種模型對同一份 fixture 跑同樣 prompt，光看「能不能找到蟲」差異不大，但**會不會亂標 Critical / High 差很多**。%ԅ(´∀\` ԅ)%

### Case A~C 預埋命中率（任一嚴重度提及該蟲蟲表示找到）

| 案例 | 模型 | Skill | 詳細 prompt | 籠統 prompt |
| ---- | ---- | ----- | ------------ | ------------ |
| A 程式碼 | Opus 4.7 | 9 / 9 | 9 / 9 | 7 / 9 |
| A 程式碼 | Sonnet 4.6 | 9 / 9 | 9 / 9 | 6 / 9 |
| A 程式碼 | Haiku 4.5 | 9 / 9 | 9 / 9 | 6 / 9 |
| B 計畫 | Opus 4.7 | 9 / 9 | 9 / 9 | 7 / 9 |
| B 計畫 | Sonnet 4.6 | 9 / 9 | 9 / 9 | 4 / 9 |
| B 計畫 | Haiku 4.5 | 8 / 9 | 8 / 9 | 5 / 9 |
| C 規格 | Opus 4.7 | 10 / 10 | 10 / 10 | 10 / 10 |
| C 規格 | Sonnet 4.6 | 10 / 10 | 10 / 10 | 8 / 10 |
| C 規格 | Haiku 4.5 | 10 / 10 | 10 / 10 | 6 / 10 |

### Case D 對照組誤報率（預期 0 Critical / 0 High）

| 模型 | Skill 視角 A | Skill 視角 B | 詳細 prompt | 籠統 prompt |
| ---- | ----------- | ----------- | ------------ | ------------ |
| Opus 4.7 | 0C / 3H | 0C / 1H | 0C / 4H | **2C** / 0H |
| Sonnet 4.6 | **0C / 0H** ✓ | 0C / 1H | 1C / 3H | **0C / 0H** ✓ |
| Haiku 4.5 | **1C** / 1H | **1C** / 0H | **1C** / 2H | 0C / 0H ✓ |

其中：

* C = Critical
* H = High

整體看起來：

* **命中率**：三種模型在 skill / 詳細 prompt 都接近滿分；籠統 prompt 下 Opus 還能撐到 86%，Sonnet 跟 Haiku 都掉到 6 成
* **Case D 誤報**：Haiku 在 skill / 詳細都標 Critical，三種模型裡最愛找蟲湊字數；Opus 籠統也標了 2 個 Critical，是 正式環境等級 議題（onScopeDispose 缺失、timer 變數位置），但對小型 refactor 來說標太用力 %(´\_ゝ\`)%
* **Sonnet 4.6 最貼近標準答案**：Case D skill 視角 A 與籠統 prompt 都給出 0 Critical / 0 High，跟預期一致
* **Opus 4.7 標 High 標得重，還常常把正式環境等級議題當 Critical**：對 Case D 的 unmount cleanup、SSR、delayMs 動態調整都標 High 或 Critical，其實是設計取捨而非 bug

## Case A 三種模型完整報告對照

全部例子都列出來太多了，這裡只舉 Case A 作為代表。%乁( ◔ ௰◔)「%

同一份 `usePagedList.ts` + `usePagedList.spec.ts`，丟給三種模型的 skill 流程（兩位代理人並行：A 視角正確性、B 視角測試完整性），三份結果濃縮如下：

::: details Opus 4.7
**視角 A（正確性）：**

* \[Critical] `usePagedList.ts:32` → `next()` 守衛 `<=` 應為 `<`，連續 next 會讓 page 超過 pageCount（觸發路徑：source 長度 10、pageSize 5，連按 next 兩次 page=3 → items=空）
* \[Critical] `usePagedList.ts:22` → pageSize=0 時 pageCount=Infinity、items 切片仍回 1 筆，next 可無限累加；pageSize 負數時守衛立即失效
* \[High] `usePagedList.ts:28` → `slice(start, end + 1)` 每頁多取 1 筆
* \[High] `usePagedList.ts:21-23` → 空 source 時 pageCount=0 但 page=1，「第 1 頁／共 0 頁」不一致
* \[High] `usePagedList.ts:47` → `watch(source)` 預設淺層，原地 push/splice 不會重置 page
* \[High] `usePagedList.ts:3-6` → `source` / `pageSize` 不符 Vue 3 慣例（應為 `MaybeRefOrGetter`）
* \[Medium] `pageSize` 解構為純值，失去 reactivity
* \[Medium] 回傳型別宣告為 `Ref<number>` 但實際是 `ComputedRef`，誤導呼叫端
* \[Low] `Math.ceil` 不擋非整數 pageSize
* **Passed**：`prev` 守衛、`reset` 行為、泛型 `<T>` 簽章

**視角 B（測試完整性）：**

* \[Critical] `usePagedList.spec.ts:9` → 「回傳第一頁資料」斷言 `[1,2,3]`，但實作回 `[1,2,3,4]`，**這代表測試從未實際 run 過**
* \[Critical] `usePagedList.spec.ts:17` → 「next 切換到下一頁」斷言 `[4,5,6]` 表面通過，是 source 邊界剛好掩蓋 bug 的巧合
* \[Critical] 未測 next 在末頁（漏掉 A2 守衛）
* \[Critical] 未測 `source.value = [...]` 變動時 page 是否重置
* \[High] 未測空陣列 / source 少於 pageSize
* \[High] 未測 pageSize = 0 / 負數
* \[High] 未測 prev 在第一頁
* \[High] `reset()` 整個函式零覆蓋
* \[Medium] `next` 後寫 `await nextTick()` 多餘
* \[Medium] 缺泛型 / 物件型別測試
  :::

::: details Sonnet 4.6
**視角 A（正確性）：**

* \[Critical] `usePagedList.ts:28` → `slice(start, end + 1)` 應為 `slice(start, end)`（觸發路徑：pageSize=3、source=\[A,B,C,D,E,F]，第 1 頁期望 \[A,B,C] 實際 \[A,B,C,D]）
* \[High] `usePagedList.ts:32` → `next()` 守衛 `<=` 允許 page 超出 pageCount
* \[High] `usePagedList.ts:21-23` → pageSize=0 → pageCount=Infinity；pageSize 負數 → pageCount 為負
* \[Medium] `usePagedList.ts:4` → source 型別限縮為 `Ref<T[]>`，不接受 Getter / Reactive
* \[Medium] `usePagedList.ts:47-49` → `watch(source)` 僅 lazy，原地 push/splice 不觸發
* **Passed**：`prev` 守衛、`reset`、`pageCount` computed、`page` 型別、回傳介面完整

**視角 B（測試完整性）：**

* \[Critical] `usePagedList.ts:31-35` → 未覆蓋 next 在末頁，無法暴露 `<=` bug
* \[Critical] `usePagedList.ts:28` → 第一個測試斷言應 fail 但表面通過，**強烈懷疑測試套件從未成功執行**
* \[High] 缺空陣列 / source 少於 pageSize
* \[High] 缺 pageSize=0 / 負數
* \[High] 缺 source 變動 page 是否重置（watch 行為）
* \[High] 完全沒有 prev 測試
* \[Low] 只測 `number[]`，未測物件陣列
  :::

::: details Haiku 4.5
**視角 A（正確性）：**

* \[Critical] `usePagedList.ts:28` → `slice(start, end + 1)` 邏輯錯誤，每頁多取一筆
* \[Critical] `usePagedList.ts:32` → `next()` 守衛 `<=` 會讓 page 超過上限（觸發路徑：source=50 筆、pageSize=10，第 5 頁呼叫 next() → page=6）
* \[High] `usePagedList.ts:22` → pageSize=0 / 負數無防禦，會 Infinity 或負無窮
* \[High] `usePagedList.ts:4-5` → source / pageSize 型別過嚴格，應接受 MaybeRefOrGetter
* \[Medium] 空陣列時 pageCount 與 page 不一致
* \[Medium] pageCount 變化未觸發 items 邊界檢查
* \[Low] `watch` 缺 `{ deep: true }` 選項

**視角 B（測試完整性）：**

* \[Critical] `usePagedList.spec.ts:6-10` → 第一個測試 assertion 錯誤，slice(0, 4) 應返回 \[1,2,3,4] 但 expect \[1,2,3]，**測試應該會失敗，表示測試沒實際執行過**
* \[High] 未測 next 末頁（暴露 `<=` bug）
* \[High] 未測 prev、source 變動、空陣列
* \[Medium] 未測 pageSize ≤ 0 防呆
* \[Medium] 未測物件陣列型別
  :::

### 報告差異

三種模型都抓到 A1（slice +1）、A2（next 守衛）這兩個核心 bug，也都從「斷言對不上」反推到「這份測試根本沒跑過」這層更深的結論，連 Haiku 都看出來了。%(｢･ω･)｢%

Haiku：「說好的尊重呢？%(°A ,°\`)%」

**Opus 4.7**：條目最多最細，Critical 給最多。把 A4（空陣列）、`watch` 淺層、`MaybeRefOrGetter` 全列，甚至延伸到 `ComputedRef` 型別宣告、`Math.ceil` 不擋小數。整合者要做的工作最多。

**Sonnet 4.6**：嚴重度最克制，只給一個 Critical（A1）。A2 只給 High，乍看保守，但 A2 標準答案就是 High，**反而 Sonnet 校準到位**。報告結構完整，passed 段最清楚。

**Haiku 4.5**：條目精煉，重點都中但描述偏淺。對 Vue 慣例（MaybeRefOrGetter、watch deep）有提到但不深入。速度則是三種模型中最快（多數 < 20s）。

簡單說就是 Haiku 愛碎碎念、Sonnet 腦子打結、Opus 有點激動。%(◜௰◝)%

## 所以此 Skill 效果如何？

### 1. vs 籠統 prompt：提高命中率

籠統 prompt（「請審查這個」一句話 + 防污染條款）在不同模型下命中率差距很大，但 skill 可以填平差距。

| 模型 | 籠統 prompt 平均命中率（A+B+C） | skill 平均命中率 | 提升 |
| ---- | --------------------- | --------------- | ---- |
| Opus 4.7 | 86%（24/28） | 100%（28/28） | +14 |
| Sonnet 4.6 | 64%（18/28） | 100%（28/28） | +36 |
| Haiku 4.5 | 61%（17/28） | 96%（27/28） | +35 |

**Opus 自己就能撐到 86%**，籠統 prompt 都吃得下；**Sonnet 跟 Haiku 都掉到 6 成上下**，少了 skill 的視角分工 Sonnet 表現幾乎跟 Haiku 一樣。

skill 把不同模型拉到接近滿分，**對 Sonnet 提升最大**（+36），等於把它從「會漏掉三成多」拉到「幾乎不漏」%( •̀ ω •́ )✧%

### 2. vs 詳細 prompt：標記比較冷靜

詳細 prompt（單 agent + 完整檢查清單）命中率跟 skill 平手（都接近 100%），差異在 Case D 對照組標多重：

| 組別 | 三種模型 Critical 誤報合計 | 三種模型 High 誤報合計 |
| ---- | --------------------- | ------------------ |
| Skill（兩位 agent 並行） | 2 | 6 |
| 詳細 prompt（一位 agent + 雙視角合一） | 2 | 9 |

Critical 持平，但 skill 標的 High 比詳細 prompt 少 1/3（6 vs 9）。

原因是兩個 agent 各管一個視角，**每個 agent 不需要硬找超出自己範圍的問題**，自然就不會標太重。%(*´ω`)人(´ω`*)%

### 3. 誰是瞎掰王

Case D 是乾淨案例，用來挖洞給模型跳，正常不該標出 Critical、High。%ԅ(´∀\` ԅ)%

| 模型 | Critical 誤報 | High 誤報 |
| ---- | ----------- | -------- |
| Opus 4.7 | 0 | 8 |
| Sonnet 4.6 | 1 | 5 |
| Haiku 4.5 | **3** | 3 |

* **Haiku**：對 unmount cleanup、SSR setTimeout、scope dispose 標 Critical，是真實 production 議題沒錯，但用在小型 refactor 上太用力
* **Sonnet**：唯一 Critical 出在「timer 跨 instance 共享」，標完又自己澄清「實務上不會發生」
* **Opus**：零 Critical 誤報，但 High 標得很重，立場偏向「正式環境就該處理」

## 小筆記

### Claude Code 的 Explore 與 general-purpose

代理人類型可選 `Explore` 或 `general-purpose`。

`Explore` 速度快、占用 context 也少，乍看像審查的不二之選。

不過 Claude Code 官方文件提到：

> Fast read-only search agent for locating code. Use it to find files by pattern, grep for symbols or keywords, or answer "where is X defined / which files reference Y." **Do NOT use it for code review, design-doc auditing, cross-file consistency checks, or open-ended analysis — it reads excerpts rather than whole files and will miss content past its read window.**

意思是 `Explore` 適合定位、搜尋，**不適合 code review、設計文件審查、跨檔一致性檢查**，因為它只讀片段不讀完整檔案，視窗外的內容會直接被略過。

口說無憑，我們把 Case A 丟給 `Explore` 跟 `general-purpose` 並用籠統 prompt 實驗看看。

| 模型 | general-purpose | Explore |
| ---- | ------------------ | ------ |
| Opus 4.7 | 7/9 | 8/9 |
| Sonnet 4.6 | 6/9 | 6/9 |
| Haiku 4.5 | 6/9 | **4/9** |

Case A 不到 100 行，Opus 跟 Sonnet 差距吃不太出來，**Haiku 倒是少抓 2 個**。

文件警告的「漏看內容」風險主要在「弱模型 + 大檔案 + 跨檔分析」這種情境才會放大，小檔案上很難看出來。

審查需要完整脈絡，所以用 `general-purpose`，雖然慢一點、貴一點，至少不會發生「有看但是不多」這種事 %( ・ิω・ิ)%

## 總結 🐟

* **Skill 可以填平模型差距**：強模型（Opus）光看一句「請審查」就能撐到 86% 命中率，但弱模型（Sonnet、Haiku）會掉到 6 成左右。套上 skill 後三種模型都拉到 99%，所以 skill 對弱模型補強最大。

* **計畫類審查效果良好**：Case B 計畫類在籠統 prompt 下 Sonnet 只剩 4/9、Opus 7/9，skill 把這兩個視角強制拆給兩位代理人後，弱模型也能做得不錯 %( •̀ ω •́ )✧%

* **不同模型有不同毛病**：Haiku 快但常亂標 Critical（瞎掰王是你）；Sonnet 嚴重度標籤最貼近實際；Opus 立場像資深 PM，所有正式環境議題都標 High。

* **Skill 對弱模型有副作用**：逐項清單會逼 Haiku「每項都要回答」，沒問題也硬塞 Critical。skill 改進一下應該可以解決，有機會再來試試。

目前看來，可以試試模型混搭，Haiku 海撈、Sonnet 整合、Opus 最後把關，下次再來試試吧。%∠( ᐛ 」∠)\_%

感謝您讀到這裡，如果您覺得有收穫，歡迎分享出去 %(\*´∀\`)~♥%

有錯誤或不周全之處，還請多多指教 %( ´ ▽ \` )ﾉ%
