[sunerpy]

审视并改写内置 AI 预设的润色提示词，让润色结果不再遗漏口述里的诉求（要求、条件、限制、列举项、例外、数字和专有名词），每个预设的用途不变。改动前后的效果用一次性的手动评测集在 Amazon Bedrock 上验证，模型与内置服务相同。

清单与处理

位置	处理	修改前评测发现的问题
校对	改写	「三十天不对是四十五天」原样留着；路径里留着「斜杠」；tsc杠杠strict 写成 tsc //strict；型号丢位、证券代码多位；口述的安装步骤被改成列表
提示词优化	改写	丢背景（下周、给客户、二十分钟）；丢「不需要后端」；直接列出了十个名字；把提问改成「请帮我判断……」
意图整理	改写	例外被拆成单独一项
口语聊天	改写	改口前的时间留在结果里
中英互译	改写	改口前后两个时间都译出；「下个版本」译成「未来某个版本」
要点纪要	改写	编造负责人；「涨了百分之十五」写成「十五个百分点」；改口把负责人对调
只加标点	不改	修改前两个模型都没有遗漏；它要求一字不改，加规则只会让模型更想改字
书面语	改写	「提前一天预约」变成例外的条件；「需要准备投影仪」改成了提问
6 个带补充要求的内置场景（编程开发、办公写作、法律、医疗、金融、学术）	不改	场景样例的遗漏都来自它们使用的预设（校对、书面语），已在预设里修正；已有用户的 scenes.json 保存着补充要求的文字，改场景模板只影响新安装和「恢复默认」
即时聊天场景	不适用	没有补充要求，按口语聊天预设测
输出约定、语言一行、应用上下文、场景要求、用户词典这几段共用提示词	不改	没有找到由它们造成的遗漏；输出约定也接在用户自定义预设后面

每条新规则由 presets.rs 的新测试 each_preset_keeps_every_part_of_what_was_said 锁定。内置预设的正文在请求时从代码取，已有用户升级后直接用新提示词；以前「复制为自定义」的预设保留复制时的文字。站点「AI 润色与预设」页的预设表中英文同步更新。详细说明见 docs/refine-eval.md「2026-11-07 的修改」。

修改前后的遗漏

86 条合成口述样例、315 个要点，覆盖 8 个内置预设和 6 个带补充要求的内置场景；每条样例每个模型生成 3 次。判定模型是 us.anthropic.claude-opus-5-5，同一条样例修改前和修改后的结果放在同一次判定里，顺序打乱，不注明来自哪一版。

模型	遗漏（修改前 → 修改后）	违背用途	每个预设和场景
openai.gpt-oss-120b-1:0（主）	28 → 2	22 → 11	都不多于修改前
openai.gpt-oss-20b-1:0（候补）	45 → 26	36 → 15	都不多于修改前

主模型仍有遗漏的两条样例（prompt-03 改口落在例外里、prompt-08 省掉「不需要后端」，各是 3 次里 1 次）和候补模型的剩余遗漏，原因都写在报告里。人工抽查 40 个要点：判定模型决定的 25 个全部与人工一致；机械检查与判定共同决定的 15 个，最终结果全部一致。完整报告：docs/refine-eval/report.md。

评测只手动运行，CI 只检查提示词有没有改

• 评测用 make refine-eval 手动运行（说明见 docs/refine-eval.md），不在 GitHub Actions 里运行，也不在 make verify 里。scripts/verify-all.sh 新增的 refine-eval-helpers 只跑评测脚本的离线单测，不发送请求。
• 评测按应用实际发送的内容组装请求：crates/voltip-refine-eval 调用新的 voltip_refine::refine_request，测试保证它与 RefineClient::refine_with 发出的请求体逐字节相同；脚本只把模型名换成 Bedrock 的。
• docs/refine-eval/prompt-digests.json 记下最近一次评测测量的每个预设和场景的请求摘要。crates/voltip-refine-eval/tests/record.rs 的 the_last_evaluation_measured_the_prompts_the_app_sends 在 CI 里重新计算摘要，预设、场景要求、共用提示词、术语包、请求参数或样例改过而没有重新评测时失败，并写明变了哪些单元、要运行 make refine-eval。

调用次数与花费

全部运行合计 2656 次 Bedrock 调用（gpt-oss-120b 1016、gpt-oss-20b 1014、判定 626，失败 0 次），按 2026-11 的公开价估算约 9.03 美元，其中判定 8.74 美元。另有 4 次确认调用权限的探测，花费可忽略。评测没有调用内置服务。

验证

• make verify：变基到 f0001e28 没有冲突，IPC 契约夹具没有变化；本 PR 的 head c75b334a 上 overall_exit=0（dirty_paths=0，23 个门禁全部通过，Rust 行覆盖率 92.93%）。
• Windows 原生：cargo clippy --workspace --all-targets -- -D warnings 通过；cargo test --workspace --all-targets 只有与本改动无关、此前已登记的两处失败（voltip-relay --test socket、voltip-transport --test link），voltip-refine 56 个、voltip-refine-eval 12 个测试都通过。
• 检测确实生效：临时把口语聊天预设或法律场景的补充要求改一个字，record.rs 的测试失败并提示运行 make refine-eval；恢复后通过。把预设文字换回修改前、保留新测试，each_preset_keeps_every_part_of_what_was_said 失败。

需要在真机上确认

评测直接调用 Bedrock 上的同系列模型，没有经过内置服务。下面这些在真机上用内置服务各说一两次即可：

• 电脑，提示词优化：一段带背景、条件、「不要用 A，用 B」和一个例外的需求，每一点都写进结果；「你觉得……可行吗」这类提问保持为提问，不被回答。
• 电脑，校对：「跑一下 docker compose up 杠 d」写成 docker compose up -d，「git 杠杠 version」写成 git --version；「三十天不对是四十五天」只留「四十五天」。
• 电脑，要点纪要：原文没说负责人时不出现负责人；说到要做的事仍列在「待办：」下。
• 手机：用任意一个预设说一次，润色正常。

[codecov]

Codecov Report

❌ Patch coverage is 98.43750% with 6 lines in your changes missing coverage. Please review.

Files with missing lines	Patch %	Lines
crates/voltip-refine-eval/src/lib.rs	97.88%	6 Missing ⚠️

@@            Coverage Diff             @@
##             main     #226      +/-   ##
==========================================
+ Coverage   93.51%   93.54%   +0.02%     
==========================================
  Files         482      483       +1     
  Lines       83995    84354     +359     
  Branches     4899     4899              
==========================================
+ Hits        78551    78910     +359     
  Misses       4775     4775              
  Partials      669      669              

Flag	Coverage Δ
rust	93.78% <98.43%> (+0.03%)	⬆️
web	92.37% <ø> (-0.01%)	⬇️

Flags with carried forward coverage won't be shown. Click here to find out more.

Files with missing lines	Coverage Δ
crates/voltip-refine/src/client.rs	99.31% <100.00%> (+0.02%)	⬆️
crates/voltip-refine/src/presets.rs	94.73% <100.00%> (+1.59%)	⬆️
crates/voltip-refine-eval/src/lib.rs	97.88% <97.88%> (ø)

... and 13 files with indirect coverage changes

🚀 New features to boost your workflow:

• ❄️ Test Analytics: Detect flaky tests, report on failures, and find test suite problems.
• 📦 JS Bundle Analysis: Save yourself from yourself by tracking and limiting bundle sizes in JS merges.