用途：从 git 数据做代码贡献质量的多维分析，生成团队校准对比，并在个人数据政策下生成经同意的个人报告。适用于工程经理评估个人贡献、技术负责人看团队代码质量趋势、CTO 构建工程记分卡、角色校准与辅导、技能缺口识别。不适用于受治理的多信号评审排序、定义代码质量规则、AI 工具 ROI 追踪、仓库级代码健康或一般代码评审流程。
主要能力：extract-contribution-profile.py 提取贡献画像（含 Tier 1 信号）；sample-code-quality.py 将抽样提交映射到 CC-* 规则；generate-quality-report.py 以 person 或 team 模式生成报告；compute-code-rating.py 给出复杂度加权的体量区间（仅作上下文，不进入评分）。输出包括个人质量报告、团队校准报告、质量记分卡、机器可读 JSON。
评分模型：六维度，D2-D5 共 66 名义分。D2 代码质量信号 21 分（14 天 churn 率、重复、重构比、CC-* 合规）；D3 提交工艺 15 分（信息质量、范围纪律、PR 大小、自合并率）；D4 评审与协作 20 分（评审参与、响应、深度、跨仓库贡献）；D5 测试与安全实践 10 分（测试代码比、功能测试存在、安全文件意识）。D1 交付节奏与 D6 AI 开发质量仅为上下文，不计分。等级按 D2-D5 满分占比：A≥80%、B 60-79%、C 40-59%、D<40%；低于样本最小值不分级，D2 未测时不给 A。
使用方式：先定义问题，设定范围（人、时间窗、仓库根），提取 git 与 MR 数据（复用项目级对应技能的 CSV 格式，或使用本地回退：python3 scripts/export-git-numstat.py --repo /path/to/repo --since YYYY-MM-DD --out-commits /path/to/raw-commits.csv --out-mr /path/to/mr-acceptances.csv），再跑画像、可选代码抽样、最后生成报告。处理前需阅读 references/scoring-model.md 等参考文件。
限制与注意：不得按提交量排名或分级；个人级数据须自愿、先给本人、带抽样证据与更正路径，D6 AI 标注不展示给经理；比较两人前先比不确定性区间，重叠则报告无可检测差异；未测信号视为未知而非零分，不并入综合分；本地 git 回退无法建立评审或可靠 MR 归属事件，应报告不可用。其他机制、收费与效果资料暂未提供。