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】
```python
[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

```json
{
  "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-spawn

Rubric 模板速查

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。