用途：对改进候选进行多信号打分与排序，产出 ranked list 供后续执行器按优先级处理；也用于调试所有候选被判为 hold 的原因（常见于 risk_penalty 过高或缺少 source_refs）。在 orchestrator pipeline 第 2 阶段被自动调用。
主要能力：四种评分模式可独立或组合。默认启发式（category bonus + source refs + risk penalty）零成本且确定性；加 --use-evaluator-evidence 后为启发式 70% + evaluator 30%；加 --llm-judge 后为启发式 60% + LLM 40%，评估 clarity、specificity、consistency、safety 四个语义维度；加 --panel 后由 structural 与 conservative 两名独立审阅者盲审，输出 CONSENSUS、VERIFIED、DISPUTED 三态认知标签与 aggregated_score。
用法：score.py 是核心入口，接收 candidates.json，输出 scored.json。示例：python3 scripts/score.py --input candidates.json --output scored.json（仅启发式）；python3 scripts/score.py --input candidates.json --panel --llm-judge mock --output scored.json（全流程）。--llm-judge 支持 claude、openai、mock 三种 provider，mock 为零成本测试用。--verbose 可查看各审阅者评分与 judge_notes。decision 三态为 accept、conditional、reject。
适用场景：候选排序、多人盲审降偏见、语义维度评估、可解释评分明细、多轮候选质量趋势对比，以及排查全 hold 原因。
限制：不做结构评估（用 improvement-learner）、不做 keep/revert/reject 决策（用 improvement-gate）、不修改文件（用 improvement-executor）、不生成候选（用 improvement-generator）。候选数为 0 时会报错；必须输入 generator 产出的标准格式，无 candidates.json 不应调用。不要将其 accept 视为最终决策，也不用于回归检测。LLM judge 有 token 成本与随机性，每个候选约 500-1000 tokens。
相关技能：generator、gate、learner、benchmark-store、executor、evaluator、orchestrator。数据流为 generator → discriminator → evaluator → executor → gate。