local-llm-eval-assist

本地 LLM 自评辅助，用于回答「自己给自己打分会不会虚高」「评估怎么省积分」这类问题

Install

openclaw skills install @zhaoxinghua09-cell/local-llm-eval-assist

自己给自己打分，天然有「虚高」倾向：模型倾向于认同自己的输出，评估者与被评估者不分离，分数就会漂移。本技能解决两件事：让本地 LLM 的自评尽量可信，以及让评估过程少花积分。

三个防虚高设计

评分维度前置：先定维度和分档标准，再看被评内容——顺序反了就是「先有结论再找分」；
证据必须引用原文：每个打分点附被评内容的原句，引不出原文的加分扣分无效；
双通道对照：同一份内容用「规则校验」和「模型自评」各跑一次，分差大时以规则为准并标记复核。

省积分策略

分层评估：先用零成本的规则检查（长度、格式、关键词命中）筛掉明显不合格；
只对通过初筛的样本调模型细评，调用量通常降一个数量级；
抽样复评：全量细评改为按比例抽检，抽中不合格则扩大该批次抽检面；
缓存判分：相同输入直接复用历史评分，不重复计算。

判读边界

输出的是参考分，不构成对模型能力的认证结论；
规则层与模型层结论冲突时，明确报告冲突本身，不取平均和稀泥；
「省积分」指减少评估调用量，不承诺任何具体成本数字。

常见问题

问：自评分数能对外引用吗？ 内部迭代用没问题；对外引用须换成独立评测集与可复算脚本——本技能会在输出里主动标注这一限制。

License & attribution

分层许可（务必并读；代码许可不覆盖文档与理论文本）

层	载体	许可
代码	本包无独立代码文件（纯文档/理论件）	—
文档与理论文本	本 `SKILL.md`、`README.md`、其中「理论依据」段与一切理论表述	不在 MIT 覆盖范围内：保留所有权利（All rights reserved）

即：代码可依 MIT 使用与再分发；文档与理论文本不因代码许可而默认可自由再发布。

text

© 2026 赵兴华 / Steven Zhao·China (ORCID 0009-0001-0512-1237). All rights reserved.
理论署名 (attribution) : LGD（Lifecycle Governance Doctrine / 全程治理论）— SynomosAI initiative
名称状态 (name status)  : "SynomosAI" / "MedXpert" — 未申请实体注册、未申请商标注册
                        (not a registered legal entity; no trademark registered)
生产参考部署 (production reference, self-reported) : MedXpert
                    ← 非认证、非背书、非监管认可（not a certification or endorsement）
代码许可 (code license) : 本包 = MIT (see LICENSE)
                    本文本与理论表述不在任何代码许可覆盖范围内
引用格式 (cite as)      : 本资产无 DOI

（上列为《LGD 对外表述规范》§3.2 统一块，整体复制、未删改；发布/重提前须照最新版本复核。）