fix(harness): T0.1 校准评测裁判 —— 让恒温器真触发(此前全 1.00 空转)

诊断:旧评测 LLM judge 恒给 0.94/1.00、从不判 poor → 低分自动纠偏闭环几乎从没
启动。根因两层:
1. 提示词软:只说"严格"但无评分基准、不强制挑毛病 → 模型恒锚定 4–5。
2. 数学更致命:归一 score/5 下限 0.2，叠加无来源 Overall=0.4*rule+0.6*s 的
   0.4*rule≈0.4 底 → Overall 恒 ≥0.52、poor(<0.5)对"流畅但跑题/错误"永不可达。

修复:
- judge 提示词改对抗性+rubric:默认怀疑、先点缺陷再打分、给死 1–5 评分基准、
  要求用满区间;grounded judge 忠实度按编造说法递减(一处编造≤2)。
- 归一 score/5 → normJudge=(v-1)/4(1→0)，让低质能压到 poor 触发纠偏。
- 测试:normJudge 区间 + 流畅跑题(judge=1)可达 poor + 好坏区分度;更新两处旧
  断言(4→0.75, 2→0.25)。

live 验证(deepseek):跑题→0.40 poor→自动纠偏(0.40→0.55);截断→0.55 warn;
好答案→1.00 ok。校准前三者全 1.00。评测+纠偏的投入由"摆设"变"在用"。

DEPTH_ROADMAP T0.1 ✅。

Co-Authored-By: Claude Opus 4.8 <noreply@anthropic.com>

DEPTH_ROADMAP.md

@@ -15,13 +15,15 @@
 
 ## 🥇 Tier 0 — 激活已有投入（小改动，最高回报）
 
-### [ ] T0.1 🔴 校准评测裁判 — 让恒温器真触发
+### [x] T0.1 🔴 校准评测裁判 — 让恒温器真触发 ✅
 现状：LLM judge 恒给 0.94/1.00，从不判 poor，低分自动纠偏闭环几乎从没启动。
-- [ ] `eval.go` judge 改对抗性/rubric 打分（强制按具体维度挑毛病、默认怀疑、给扣分点）
-- [ ] grounded judge 同样收紧（未被来源支持的说法必须进 Flags 并压分）
-- [ ] 加校准测试：喂一批已知烂答案（空泛/跑题/拒答/未引用来源）→ 断言判 poor/warn
-- [ ] 复核分级阈值（poor/warn/ok）与新分布匹配
-- 验收：已知烂答案被判 poor 并触发一次纠偏；好答案仍 ok。
+- [x] `eval.go` judge 改对抗性/rubric 打分（默认怀疑、先挑毛病再打分、给死评分基准、用满 1–5）
+- [x] grounded judge 同样收紧（忠实度按编造数递减，一处编造≤2；未支持说法进 Flags）
+- [x] **根因更深的数学修复**：归一 `score/5`(下限 0.2) → `(v-1)/4`(1→0)，否则 0.4*rule 底使 poor 永不可达
+- [x] 校准测试：normJudge 区间 + 「流畅但跑题(judge=1)可达 poor」+ 好坏区分度
+- [x] 复核阈值（poor<0.5 / warn<0.75）与新分布匹配
+- **验收 ✅ live(deepseek)**：跑题→0.40 poor→**触发纠偏(0.40→0.55)**；截断→0.55 warn；好答案→1.00 ok。
+  校准前这三个全是 1.00→ok，恒温器从没触发。
 
 ### [ ] T0.2 多智能体进 Studio（多智能体 v2）
 现状：coordinator 后端已通（见 MULTI_AGENT.md），但画布拖不出。
@@ -87,7 +89,7 @@
 
 | Tier | 完成 / 总 |
 |---|---|
-| T0 激活 | 0 / 2 |
+| T0 激活 | 1 / 2 |
 | T1 收口 | 0 / 2 |
 | T2 深化 | 0 / 3 |
 | T3 硬化 ⏸ | 0 / 5 |