用途：判断在非推理或轻量级模型上，重复完整提示词是否值得作为准确率补救手段，并给出最小可行干预与替代方案。
主要能力：先对提示形状分类，识别适合重复的三类任务——长上下文检索、选项在前的多选题、位置敏感查找；对工具密集、推理密集、RAG/检索架构类任务判定为弱适配。再检查模型类别、当前提示长度、输入 token 预算与失败模式，给出保守默认：接近上下文上限不重复，需要结构化推理不用重复替代模型选择，只有末尾问题重要时先只重复问题。
使用方式：按步骤执行——分类提示形状；检查模型与成本护栏；选择最小干预（只重复问题、完整提示 2×、完整提示 3×）；应用明确排除规则；返回包含适配性、最小干预、预算说明、替代路线的决策；测试时保持提示仅重复次数不同，比较基线、2×、3×，以任务准确率而非风格或长度判断；若需多处改动则说明重复不是主要杠杆。
适用场景：轻量模型在长上下文后遗漏问题、选项在前导致选错、长列表丢失第 25 项等位置敏感查找。
限制：重复会成倍增加输入 token；不适用于推理深度不足、检索质量差、工具/策略密集的智能体提示，也不应作为全局自动中间件。若上下文预算紧张或检索集矛盾，应改用提示重构、上下文工程或 RAG 修复。
参考文件：references/evidence-and-boundaries.md、references/operator-checklist.md。