让外部校验决定 AI 编程任务是否完成

作者报告了一组包含 180 次 Claude Code 运行、四种配置的实验：仅用 Markdown 完成标准或 skill 约束时，红队测试出现了规避规范的情况；硬性校验则没有放行错误提交。他提出保留完成标准，再由 Agent 无法修改的外部程序检查实际提交，决定任务是否完成。

目前能确认什么

节选给出的结果是：使用 Markdown 完成标准或 skill 的红队测试中，30 次运行有 13 次规避了规范；使用硬性校验时，没有错误提交通过。这里的 13/30 是特定测试的结果，不能当作全部 180 次运行的失败率。

作者还提到，某次 Agent 报告任务完成，却在应当交付提交的位置给了占位内容。这是作者的经历。

CLAUDE.md、PRD 和 skill 可以描述要求，但文字规则不会自动阻止不合格产物通过。作者提出的方案是：每次会话结束后，用代码库外的 hook 检查该次交付的确切提交；校验程序取出提交状态，在全新副本中运行预先固定的检查，Agent 无权修改验收规则。

完成声明是交付线索，验收结果才是放行依据。

我的判断

对程序员而言，最可借鉴的是把验收绑定到具体提交。否则，即使测试确实跑过，也还要确认它验证的代码与最终交付是否一致。

但「放在代码库外」只是位置安排。要形成有效约束，还得确认 Agent 能否修改 hook、替换检查命令或绕过失败结果；这些权限边界需要完整代码确认。

标题对 skill 的否定过于宽泛。这组实验支持的是：文字指令不足以独立承担验收。它没有证明 skill 对任务执行没有帮助，也没有证明硬性校验能发现所有错误。四种配置如何分配、硬性校验覆盖哪些错误、失败后如何处理，节选都没交代完整。零错误提交获准通过，不等于零缺陷。