用途：判断一个候选术语能否脱离文档、仅凭场景被读者猜对。做法是把同一场景中的 {TERM} 分别替换为三个候选词，交给三个模型各跑两次，共六次运行，比较哪个词最能独立传达含义。
主要能力：默认三臂对比；若只有两个候选，会建议补一个同义词凑成三臂。每次运行要求模型输出一句话猜测加置信度 high|medium|low，便于横向比较。结果以表格呈现，每行对应一个模型的一次运行，每列对应一个候选词，单元格格式为 <图标> (<置信度>) -> <猜测>，图标为 ✅ 正确、⚠️ 部分正确、❌ 错误。先看正确率，再看置信度。
使用方式：先把场景写入文件，用两句话交代领域、词周围的形态，并在候选词位置留 {TERM}；只写陌生人定位该词所需的信息，避免场景本身泄露被测含义；结尾固定答案格式。然后运行：bash .agents/skills/term-check/probe.sh <scenario-file> <term-a> <term-b> <term-c>。每词六次运行并行执行，约一分钟。逐次按“该词必须传达的含义”打分，并保留模型自报的置信度。报告时先原样引用场景（放在表格上方的代码块中），再给表格。
结果解读：各臂得分相近时，先怀疑场景而非词，通常说明场景暗示过强、自问自答，应指出泄露语句并询问是否改场景重跑；场景干净后仍平局，才说明该词不承担区分作用，可改按简洁、与同类词平行、术语表等标准选择。一臂胜出即采用该词。各臂都差说明词没问题而形态不对，应先修形态再探测。胜者偏弱（无高置信度，或仅因其他臂崩掉而胜）时，可提出三四个新同义词并询问是否再跑一轮，同时收紧场景。
限制：每次运行从空对话和中性目录开始，仓库文档不会进入模型，但全局 ~/.claude/CLAUDE.md 仍会加载；它不含领域词汇且对所有臂一致，因此臂间比较有效，绝对分数无效。模型依据整个场景猜测，场景泄露答案会让所有候选都得分。置信度是模型自报，无数字支撑也未校准，应视为语气，判定以得分为准。真正的量化指标是各次运行落到同一含义的一致率，可通过提高 probe.sh 中的运行次数来增强。完成标准：每词六次运行都带图标、置信度和猜测，场景置于表格上方，表格给出胜者、平局或弱胜者并附新同义词建议。