wc-fitness-eval 是一个面向 FIFA 世界杯梦幻足球（Fantasy）的技能，用于对候选阵容或方案进行风险调整后、相对排名的适应度评分。它实现了 footballfantasy/context/frameworks/fitness-function.md 中定义的适应度函数。整个进化引擎都基于这个数值进行选择，因此它必须编码梦幻足球适应度区别于原始得分的两个关键点：排名是相对的（持有率很重要），以及排名目标决定了方差目标（即选择压力旋钮）。
适应度公式
fitness(c | θ) = raw_xEV(c) + cs_corr_bonus(c) + progression_carry(c, horizon) + ownership_leverage(c | θ) − variance_term(c | θ) − feasibility_penalty(c)
各项含义：
- raw_xEV(c)：Σ 球员 xEV（按赛程缩放）+ 队长加成
- cs_corr_bonus(c)：同队零封相关性（BB2 堆叠）
- progression_carry(c, horizon)：深度球队球员未来轮次的折现价值
- ownership_leverage(c | θ)：排名项，符号/形状由 θ 决定
- variance_term(c | θ)：选择压力，符号随 θ 翻转
- feasibility_penalty(c)：修复干净后为 0；不可行则为取消资格级惩罚
工作流程
- 读取输入：候选方案（含 block 标签）、轮次信号（player-ev、clean-sheet、fixture、ownership）、θ 和 k
- raw_xEV：对每位球员的 xEV 求和（来自 wc-player-ev 信号）；加上队长加成（来自 wc-captain-ladder）
- cs_corr_bonus：对每个防守堆叠，从 wc-clean-sheet-model 获取
- progression_carry：Σ player_xEV_future × P(球队晋级)^轮次，折现；在淘汰赛阶段权重提高
- ownership_leverage：应用 θ（protect 时覆盖高 EO；gain 时超配低 EO 高上限球员）
- variance_term：估计候选方案方差；按 θ 乘以 ±k
- feasibility_penalty：若修复干净则为 0；否则很大
- 求和 → 适应度；输出适应度 + 完整分解
各步骤细节
raw_xEV — 对每位球员 player-ev 信号中的 xEV 字段求和（已按赛程缩放、按分钟加权，含 60 分钟档位以及红黄牌/失球下行）。队长加成 = 队长阶梯带来的预期额外收益（来自 wc-captain-ladder），即 E[阶梯可达的最佳队长结果]，而非简单地对最佳球员乘以 2。对于阵容构建（尚无固定比赛日），使用第 1 轮的队长估计。
cs_corr_bonus — 对每个 Clean-Sheet Spine 堆叠（BB2），wc-clean-sheet-model 返回联合分布加成，捕捉 3 后卫 + 门将堆叠一起爆发的情况。符号由 θ 决定：gain 时放大相关爆发上行；protect 时轻微折价（它们也会一起挂零）。
progression_carry — Σ_player xEV_typical(player) × Σ_{r=next..horizon} P(球队在 r 轮存活) × discount^r。稳定球员若在可能进半决赛的球队，会累积多个未来轮次；而胜负难料的国家的球员则累积很少。决赛中权重约等于 0，早期淘汰赛很高（这正是让 A3 Progression Theorist 在适应度上具有竞争力的原因）。晋级概率来自 wc-fixture-progression。
ownership_leverage(c | θ) — 使用来自 wc-ownership-meta 的有效持有率 EO：
- θ=protect：− w · Σ_{高 EO 但未持有的球员} EO_haul_risk → 奖励覆盖大众选择（惩罚与模板的差距）。
- θ=gain：+ w · Σ_{已持有、低 EO、有活跃上限} (ceiling × (1−EO)) → 奖励差异化。
- θ=neutral：小的对称项；主要让位于 raw_xEV。
variance_term(c | θ) — 候选方案方差来自其球员得分分布的离散度 + 队长方差 + 堆叠相关性：
- protect：+ k · variance（惩罚）— 抑制波动，保住领先
- gain：− k · variance 写作奖励（减去负数）— 你需要波动
- neutral：小惩罚
k 随排名极端程度缩放（大幅领先 + 轮次少 → 高 k_protect；大幅落后 + 轮次少 → 高 k_gain）。
feasibility_penalty — 若候选方案通过修复（预算、国家上限、阵型、15 人结构）则为 0；否则很大/取消资格（将不可行候选排除在精英集之外；其 block 仍可在交叉前被采集）。
揭示偏好软项 — 加上 manager-profile.md 中累积的小额奖励/惩罚（例如“+ 分钟有保障的中场”“− 让最爱的国家队坐板凳”）。软性：它们只倾斜，从不主导。
输出（分解 — 始终返回）
fitness: <数字> decomposition: raw_xEV: <n> captaincy_uplift: <n> cs_corr_bonus: <n> progression_carry: <n> ownership_leverage: <+/- n> # 在 θ 下 variance: <n> variance_term: <+/- n> # 在 θ 下，含 k feasibility_penalty: <n> objective: { theta: protect|gain|neutral, k: <n> } variance_band: low|medium|high
分解是强制性的 — 看板通过它解释选项，引擎需要 variance_band 来在选择中强制覆盖频谱。
Goodhart / 替代效应防护
适应度按设计就是多项目的，这一点不可协商。系统思维摘要中的警示故事（在编写任何智能体适应度指标之前“牢记在心”）：每条“最大化 X”规则都会在规则未命名的节点产生替代效应。禁止将适应度坍缩为单一主导项；如果发现某一项压倒了其余项（某个权重设得太高，其他项都成了噪声），那就是 Goodhart 失效正在发生 — 重新平衡。
在输出分解的同时，当某一项承担了大部分工作时，为每个候选方案输出一行替代效应观察：指出候选方案为了在该项得分而放弃了什么。示例：
- captaincy_uplift 主导 → “上限导向；检查它牺牲的替补/分钟下限。”
- ownership_leverage 主导 → “差异化导向；检查它牺牲了多少稳定首发。”
- raw_xEV（本轮）主导 → “本轮导向；检查它忽略的 progression_carry。”
悄悄退化的通常就是目标未命名的节点。在产物上呈现它，让轮次复盘在复利累积之前跨轮次运行替代效应观察。
护栏
- 永远不要将原始得分作为适应度返回。如果未提供 θ，请询问；不要在高风险轮次默默默认为 neutral。
- 永远不要坍缩为单一指标。始终多项目（Goodhart）。每次都要输出分解。
- 同一候选方案在 protect 与 gain 下必须得分不同 — 如果相同，说明方差项接线错误。
- 在信任绝对量级之前，确认 scoring-rules.md 中的分值已确认：true；否则将每个适应度标记为暂定。