FP — Finish with Proof
让编码 agent 用证据收尾，而不是凭感觉宣布完成。
一套可移植的执行协议。77 行。3 条核心规则。按需加载 profiles。
下载 ·
3 条规则 ·
安装 ·
English ·
基准测试
---
**没有证据，就不算完成。No proof, no done.** FP 在工程任务中自动激活，在闲聊时保持休眠。三条规则，按需 profiles，零仪式冗余。
---
## 三条规则
**1. 诊断先于修补。** 收集证据，找到根因。不要猜。
**2. 验证先于声称完成。** 跑测试，看到通过。"实现了"不等于"完成了"。
**3. 简洁且可执行。** 第一行 = 结果。最后一行 = 下一步或最终裁决。没有废话。
复杂场景提供按需 profiles：线上系统、多 agent 协作、provider 兼容性、委托执行、跨会话续接等。只在触发条件匹配时加载——不是默认加载。
> **非推理模型？** 用 [`fp-minimal/`](fp-minimal/SKILL.md)——只有三条规则，没有路由，没有 profiles。
---
## 基于证据的设计 (v0.5.0)
此版本通过 **1,416 次真实 LLM API 调用**优化，跨 3 个模型、8 个特质、3 种测试方法。每个设计决策都有基准数据支撑。
### 跨模型盲评
| 模型 | 🥇 冠军 | 分数 | 🥈 | 分数 | 关键洞察 |
|------|---------|------|------|------|----------|
| gpt-5.3-codex-spark (非推理) | v-minimal | **3.08** | v0 | 3.01 | 弱模型需要简单指令 |
| gpt-5.6-sol (推理) | v-final | **3.57** | v0 | 3.49 | 推理模型能利用结构化知识 |
| deepseek-v4-pro (推理) | v-final | **3.14** | v0 | 2.97 | DeepSeek 更需要结构 (v-minimal: 2.46, 7 blockers) |
**v-final (77 行) 在两个推理模型上都是冠军。v-minimal (3 条规则) 在非推理模型上胜出。v2 Concise-Max (牺牲安全换速度) 永远最差。**
### E2E 多轮测试（真实工具调用）
| 指标 | 旧版 (162 行) | 新版 (77 行) | 改善 |
|------|-------------|------------|------|
| Token 消耗 | 19,620 | 10,665 | **-45%** |
| 工具调用 | 14 | 6 | -57% |
| FP 模板读取 | 9 (3 个浪费) | 1 (0 个浪费) | **-89%** |
| Profile 加载 | 乱加载 | 按需触发 ✅ | — |
多轮测试中，agent 需要完成 "第 3 步，共 5 步" 这样的多步骤任务。baseline/candidate 盲评对比是核心方法。已有测试覆盖约 15 分钟就能验证，需要补覆盖约半天。Release 资产包含各平台安装包。
### 模板：35 → 7
28 个模板从未被任何 on-demand profile 引用。它们是死代码——归档，不删除。多轮测试证明旧版 agent 默认读取这些模板纯属浪费 token。
### 模拟 vs 现实
我们的模拟预测 v7 Adaptive-Plus 以 4.73 胜出。真实盲评显示相反——所有"优化"版本由于 **prompt 干扰效应**表现比 baseline 更差：向已平衡的系统提示添加指令会降低性能。模拟无法建模这一点，因为它把每条指令当作独立的线性贡献。
完整方法论：[`benchmarks/results/ARTICLE.md`](benchmarks/results/ARTICLE.md)
---
## 快速开始
```text
修复那个间歇性失败的身份验证测试。
```
没有 FP：加个超时 → 跑一次 → "看起来修好了"。
有 FP：复现 → 找到第一个偏离点 → 精准修复 → 重跑原症状 + 回归 + 负控制 → 带证据的裁决。
### 安装
1. 下载 [`fp-universal-v0.5.0.zip`](https://github.com/MiaoY0uShan/FP/releases/tag/v0.5.0)
2. 解压并运行安装器
3. 重载 agent——FP 自动激活
```powershell
.\INSTALL-FP.cmd -Verify # Windows
sh ./INSTALL-FP.sh --verify # macOS / Linux
```
显式调用：`FP: 修这个 bug` 或 `$fp 诊断这个失败`
[完整安装矩阵](INSTALL.md) · [复制粘贴兜底](fp-copy-paste.md)
---
## 协议
| 路由 | 触发条件 | 行为 |
|------|----------|------|
| **Small** | 一个文件，≤5 行，原因已知，无新接口 | Tiny Brief + 验证 |
| **Medium** | 多文件，>5 行，或新增测试 | Execution Brief + 证据 |
| **Vague** | 需求不明确 | Idea Cards → 用户选择 → Medium |
| **Large** | 架构级、多模块、迁移 | 拆解为降低风险的模块 |
Small 不是默认。多文件 = Medium 起。
### 按需 Profiles
| 条件 | Profile |
|------|---------|
| 重试/循环/编码可疑 | `provider-compatibility/SKILL.md` |
| 多 agent、并行写 | `templates/multi-agent-review-protocol.md` |
| 远程/有状态目标 | `skills/live-system/SKILL.md` |
| 未知故障，仅诊断 | `skills/debug-incident/SKILL.md` |
| 跨会话续接 | `skills/continuation/SKILL.md` |
| 委托执行 | `delegated-execution/SKILL.md` |
| 需求模糊/高风险 | `question-requirements/SKILL.md` |
Profiles **仅在条件匹配时加载**——从不默认加载。这是旧版 token 浪费的第一大来源。
---
## 复用阶梯
创建任何东西之前：需要存在吗？→ 代码库已有？→ 标准库？→ 平台原生？→ 已安装依赖？→ 一行代码？→ 以上都不行，才加最少新代码。
---
## FAQ
**每个任务都会变成仪式吗？** 不会。Small 任务只需 Tiny Brief。Profiles 按需加载——改个密码的简单 bug 零 FP 模板读取。
**非推理模型？** 用 `fp-minimal/SKILL.md`。三条规则。基准数据证明在弱模型上这比完整协议更有效。
**为什么是 77 行？** 因为 162 行导致 agent 浪费 45% 的 token 读 FP 自己的模板。基准数据精确显示了哪些部分有价值，哪些没有。
---
## 运行基准测试
```bash
# 完整盲评 (需要 API key 环境变量)
node benchmarks/real-eval-v2.mjs all --versions v0,v-final,v-minimal --trials 2 --model gpt-5.6-sol
# 仅模拟 (无 API 调用)
node benchmarks/score-final.mjs
# 多轮真实工具测试
node benchmarks/multi-turn-harness-v2.mjs --versions v0,v-final
# E2E 对比
node benchmarks/e2e-test.mjs
```
运行真实评估前设置 `FP_API_KEY` 和 `DEEPSEEK_API_KEY` 环境变量。
---
**语言：** [English](README.md) · [中文](README.zh-CN.md)
**许可证：** MIT