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>

sundynix-dispatcher/internal/harness/eval_test.go

@@ -2,6 +2,7 @@ package harness
 
 import (
 	"context"
+	"fmt"
 	"strings"
 	"testing"
 )
@@ -58,8 +59,8 @@ func TestScore_WithLLMJudge(t *testing.T) {
 	if r.LLM <= 0 {
 		t.Fatalf("应有 LLM 分, got %.2f", r.LLM)
 	}
-	if r.LLM < 0.79 || r.LLM > 0.81 { // 4/5 = 0.8
-		t.Errorf("LLM 分应归一化为 0.8, got %.2f", r.LLM)
+	if r.LLM < 0.74 || r.LLM > 0.76 { // 校准版归一 normJudge(4)=(4-1)/4=0.75
+		t.Errorf("LLM 分应归一化为 0.75, got %.2f", r.LLM)
 	}
 	if r.Reason != "相关且较完整" {
 		t.Errorf("应解析出 reason, got %q", r.Reason)
@@ -70,6 +71,40 @@ func TestScore_WithLLMJudge(t *testing.T) {
 	}
 }
 
+// TestNormJudge 钉死校准归一：1→0（最低，让低质能压到 poor）、3→0.5、5→1.0，用满区间。
+func TestNormJudge(t *testing.T) {
+	cases := []struct {
+		v, want float64
+	}{{1, 0}, {2, 0.25}, {3, 0.5}, {4, 0.75}, {5, 1.0}, {0, 0}, {6, 1.0}}
+	for _, c := range cases {
+		if got := normJudge(c.v); got < c.want-1e-9 || got > c.want+1e-9 {
+			t.Errorf("normJudge(%.0f)=%.3f, want %.3f", c.v, got, c.want)
+		}
+	}
+}
+
+// TestScore_PoorReachable 钉死校准核心：流畅但跑题的回答(judge 给 1)也能压到 poor 区间(<0.5)。
+// 旧归一(score/5 下限 0.2 + 0.4*rule 底)会让 Overall 恒 ≥0.52、poor 永不可达 → 纠偏闭环空转。
+func TestScore_PoorReachable(t *testing.T) {
+	judge := func(score int) *Evaluator {
+		return NewEvaluator(func() bool { return true },
+			func(_ context.Context, _, _ string) (string, error) {
+				return fmt.Sprintf(`{"score":%d,"reason":"x"}`, score), nil
+			})
+	}
+	fluentOffTopic := "这是一段流畅、完整、看起来很认真的回答，但其实完全没有回答用户的问题。"
+	// judge 判 1（跑题）→ Overall 应落入 poor 区间(<0.5)，纠偏闭环才会触发。
+	if r := judge(1).Score(context.Background(), "问题", fluentOffTopic, nil); r.Overall >= 0.5 {
+		t.Fatalf("流畅但跑题(judge=1)应可达 poor(<0.5)，got Overall=%.3f（恒温器空转的根因）", r.Overall)
+	}
+	// 区分度：好答案(judge=5)应明显高于差答案(judge=1)。
+	good := judge(5).Score(context.Background(), "问题", fluentOffTopic, nil).Overall
+	bad := judge(1).Score(context.Background(), "问题", fluentOffTopic, nil).Overall
+	if good <= bad+0.3 {
+		t.Fatalf("好坏答案区分度不足: good=%.3f bad=%.3f", good, bad)
+	}
+}
+
 func TestScore_LLMJudgeBadJSONFallsBack(t *testing.T) {
 	e := NewEvaluator(
 		func() bool { return true },
@@ -97,11 +132,11 @@ func TestScore_GroundedFaithfulness(t *testing.T) {
 	if !strings.Contains(gotPrompt, "检索资料") || !strings.Contains(gotPrompt, "产品支持在线协作") {
 		t.Fatalf("judge 提示词应包含检索资料, got: %q", gotPrompt)
 	}
-	if r.LLM < 0.79 || r.LLM > 0.81 { // quality 4/5
-		t.Errorf("quality 应为 0.8, got %.2f", r.LLM)
+	if r.LLM < 0.74 || r.LLM > 0.76 { // 校准归一 quality 4 → normJudge(4)=0.75
+		t.Errorf("quality 应为 0.75, got %.2f", r.LLM)
 	}
-	if r.Faithful < 0.39 || r.Faithful > 0.41 { // faithfulness 2/5
-		t.Errorf("忠实度应为 0.4, got %.2f", r.Faithful)
+	if r.Faithful < 0.24 || r.Faithful > 0.26 { // 校准归一 faithfulness 2 → normJudge(2)=0.25
+		t.Errorf("忠实度应为 0.25, got %.2f", r.Faithful)
 	}
 	if !contains(r.Flags, "未被来源支持：该产品支持离线模式") {
 		t.Errorf("未支持说法应进 Flags, got %v", r.Flags)