用途：为 amplifier-agent 开发新功能，从想法推进到经真实模型验证的行为。核心原则是契约优先、以评估证明完成度：功能完成的标准是真实模型通过受影响各表面的评估任务、本地检查全绿、且有人实际试用；脚本化 provider 测试只加速循环，不作为证明。契约只能由所有者批准的修订来变更，评估评分标准与测试不得为让改动通过而修改，公开描述须与行为在同一改动中更新。
流程按阶段顺序执行，使用 todo 工具，在提交与发布前停止。0 定位：先读 AGENTS.md、contracts/VISION.md 与 README.md、相关契约、各绑定参考文档、架构与检查文档、evaluations/README.md，并明确回答四个问题（愿景与契约、公开表面、评估、测试）。1 规划：给出三到五个有真实取舍的方案由用户选择，计划写在仓库外且不提交，包含一句话表面变更及许可条款、需更新的公开描述、受影响表面、评估任务与测试清单、迭代子集与扩展阶梯。2 RED：在 evaluations/tasks/<group>/<name>/ 下按规则写评估任务，用 (cd evaluations && uv run pytest) 确认可加载，对检出运行一次；红意味着评分器指出缺失行为或预检拒绝指出缺失字段，error 或 timeout 属测试框架问题需先修。测试只断言公开契约，未实现行为用 @pytest.mark.xfail(reason=..., strict=True)。实现前先报告红。3 GREEN：先列出预期既有失败，再按窄到宽扩展：uv run --all-packages python -m pytest <file> -k "<case>"、受影响路径的套件、prek run --all-files、新任务 trials: 1、新任务加一到两个最近邻 trials: 1、最后 uv run --all-packages python scripts/check.py --runtime。只运行改动可能影响的套件，按包与目录对应关系选择；仅当 pnpm test 报告过期且需要 TypeScript 套件时才重建测试运行时。4 人工循环：按各表面快速开始文档给出确切脚本或请求，等待用户结论。5 交接：以证据确认符合愿景与契约、公开描述已更新、各表面均承载功能、新任务通过且邻居仍通过、prek 与 check.py 干净、无硬编码路径与密钥、清理临时宇宙与暂存文件；未满足项作为缺口报告后停止。限制：不提交、不暂存、不修改测试或评分标准；不运行回归配置除非用户要求；测试或评分标准有误应上报。