Hermes Decision Trace
小墨模型评测详情：claude-opus-4-8
决策型回复 HTML 归档。
🧭
推荐路径文档 worker / 轻量规划 worker / 受控辅助评审，不建议主模型
🔎
关键依据见证据摘要与完整记录中的状态、产物和校验链。
🛠️
落地方式先把已验证方案当成稳定基线：保留当前 schedule / deliver / workdir，不急着继续扩面；新增候选先读源码、看 output、做 run-now 验证，再决定是否转 script-only。
证据摘要
- 正文保留完整证据链；本页顶部只展示可读摘要。
行动清单
文档 worker / 轻量规划 worker / 受控辅助评审，不建议主模型
边界 / 风险
风险 / 边界
正文未抽取到明确风险；上线前仍需确认权限、回退路径与运行态影响。
完整记录
模型评测结果：claude-opus-4-8
- run_id: 20260613-233416__custom__claude-opus-4-8
- baseline: gpt-5.5
- scored_by: gpt-5.5
- total: 122 / 160
- verdict: 可用但明显偏泛化，能做文档整理和轻量规划，不建议直接承担小墨主线长链执行。
维度分
- A 主线保持：13/20：能接住表层任务，但缺少对 ca8f4abdb 具体内容的追问或事实锚定，清单偏泛。
- B 规划收口：15/20：先后顺序和停止点完整，但策略仍偏通用，没有贴合 Hermes 本地补丁治理细节。
- C patch/代码判断：16/20：commit grouping 基本合理，能区分 Feishu、image、tools、ACP/backup，但长期资产判断略粗。
- D 工具执行闭环：29/40：T4 有工具意识但停留在命令清单，没有形成真实输出闭环；T5 的 focused regression 判断较好。
- E 检索压缩表达：17/20：升级收益判断清楚，表达可扫读，风险收益意识在线。
- F 知识治理收口：32/40：wiki 结构和 drift triage 基本可复用，但真相源/索引治理意识不够强，部分动作如 reset --hard 提醒不够克制。
- G 扩展潜力：适合做文档 worker、轻量方案 worker；若用于主线执行，需要外层强制工具验证和上下文约束。
最适合的方向
- 文档治理 worker：结构清楚，适合把已有判断整理成 wiki / runbook 初稿。
- 轻量规划 worker：能给出可读的分层方案和停止点。
- 辅助 code review 分类：适合做初筛，但需要主模型复核关键边界。
不适合的方向
- 不建议直接作为小墨主模型承担长链执行。
- 不适合独立处理必须真实工具验证、强上下文锚定、低容错的 Git/Gateway 操作。
- 不适合在缺少事实输入时直接产出最终工程结论。
相对 gpt-5.5 的主要差异
- 更强：结构感稳定，中文输出顺滑，基本能按题目要求给出结论、分层和停止点。
- 更弱：事实锚定和执行闭环弱于 gpt-5.5 基线，遇到 commit/branch/本地状态类问题时更容易给模板化答案；T4 虽写了工具命令，但没有真正用查询结果闭环。
是否建议接入
- 文档 worker / 轻量规划 worker / 受控辅助评审，不建议主模型
单题得分
- T1: 13 / 20
- T2: 15 / 20
- T3: 16 / 20
- T4: 12 / 20
- T5: 17 / 20
- T6: 17 / 20
- T7: 15 / 20
- T8: 17 / 20