import type { LLMConfig, WorkflowResult } from '../types.js';
/** 取工作流最后一个"已完成且有产出"的步骤作为最终成品。 */
export declare function finalOutput(result: WorkflowResult): string;
/** 把工作流目标+输入合成"单次直接要成品"的基线 prompt（模拟用户不用 ao 的写法）。 */
export declare function buildBaselineTask(name: string, description: string | undefined, inputs: Record<string, string>): string;
/** 跑单次基线：一个"强助手"system + 合成任务，返回产出文本（模拟用户一句话直接要成品）。 */
export declare function runBaseline(genLlm: LLMConfig, baselineTask: string): Promise<string>;
export interface JudgeScore {
    scoreA: number;
    scoreB: number;
    reason: string;
}
/** 从 judge 回复里抽出 JSON 分数（judge 偶尔会包代码块/加解释，宽松匹配第一个 {...}）。 */
export declare function parseJudge(raw: string): JudgeScore | null;
/** 单向评审一次：A、B 两份产出对同一任务打分。解析失败重试一次。 */
export declare function judgeOnce(judgeLlm: LLMConfig, taskDesc: string, outA: string, outB: string): Promise<JudgeScore | null>;
export interface CompareVerdict {
    multiScore: number;
    baseScore: number;
    winner: 'multi-agent' | 'baseline' | 'tie';
    /** 双向盲评是否同向；false 多半是 judge 位置偏置 → 该结论可信度低。 */
    consistent: boolean;
    reasons: string[];
}
/**
 * 把双向两次评审聚合成结论（纯函数，便于单测）。
 * j1 = (A=多智能体, B=基线)，j2 = (A=基线, B=多智能体)。取平均抵消位置偏置。
 */
export declare function aggregateVerdict(j1: JudgeScore, j2: JudgeScore): CompareVerdict;
/**
 * 双向盲评对比：对 (多智能体, 基线) 正反各评一次取平均。
 * judge 解析失败返回 null（调用方决定跳过/重试）。
 */
export declare function compareOutputs(judgeLlm: LLMConfig, taskDesc: string, multiOutput: string, baselineOutput: string): Promise<CompareVerdict | null>;