agentleFS
chissschisss/DoWithOKR/skills/okr-review-score/SKILL.md

okr-review-score

Skill3 starsChanged 7 months agoMITView on GitHub

Score DoWithOKR outcomes through upper-level reviews, evidence-based KR scoring, role results, and final GM result.

The file

Files
SKILL.md

OKR Review Score

前置条件

  • 需要:已生成的状态看板和角色树(.okr/status.md 和 .okr/active.md 存在)。
  • 缺失处理:
    • 缺少状态看板 → 提示先运行 okr-planner。
    • 缺少角色树 → 提示先运行 okr-role-splitter。

前置读取

  • 读取 .okr/status.md。
    • 文件不存在 → 提示用户先运行 okr-planner 生成看板。
  • 读取 .okr/active.md,提取角色树和上下级关系(确定谁给谁评分)。
  • 读取 .okr/evidence/ 目录下所有证据文件,汇总每个 KR 的证据清单。
  • 可选:读取 .okr/reviews/ 目录,检查是否已有历史评分记录。
  • 可选:读取 .okr/wisdom/ 目录下角色 wisdom 文件,作为评分时的参考上下文(如历史评分趋势、已知的角色能力水平)。

执行规则

  • 用户可主动触发评分复盘。
  • 评分采用上级给直接下级打分。
  • 评分必须绑定证据和差距说明。
  • 每个角色的 Objective 得分默认取 KR 平均分。
  • GM 最终 R 由产品线 R、技术线 R、证据质量和甲方验收结论共同决定。

执行步骤

  1. 读取角色树,建立评分关系:
    • GM 评分 PD 产品总监和 ArchD 技术总监。
    • PD 产品总监评分 PM 产品经理、UI 设计师、TW 文档专家/DX。
    • ArchD 技术总监评分 BE 后端、FE 前端、QA 测试、DevOps 发布、SEC 安全等技术角色。
  2. 读取每个角色 KR 的状态和证据:
    • 从 .okr/status.md 获取状态和进展。
    • 从 .okr/evidence/{KR-ID}.md 获取证据清单。
    • 验证证据文件格式是否符合 ../../references/evidence-spec.md 规范。
  3. 验证证据有效性(参考 ../../references/evidence-spec.md 验证规则):
    • 交叉比对证据与 KR 验收标准,判断证据是否充分覆盖验收要求。
    • 检查证据路径是否指向实际存在的文件(可疑证据降低可信度)。
    • 检查证据类型与角色职责是否匹配(如 BE 后端开发工程师应有代码和测试证据)。
    • 标记证据不足的 KR:状态为"已完成"但无证据 → 标记为"待验证"。
    • 标记证据可疑的 KR:证据路径不存在或类型不匹配 → 提示需要补充。
  4. 为每个 KR 评分:
    • 0.0:无进展,无证据。
    • 0.3:有探索但未形成有效交付。
    • 0.7:基本达成且证据可信。
    • 1.0:完全达成并超过验收预期。
    • 每个评分必须附带证据引用和差距说明。
  5. 汇总角色 Objective 得分:
    • 每个角色 O 得分 = 其 KR 平均分。
  6. 汇总线级 R:
    • 产品线 R = PD 产品总监 O 得分(含 PM、UI、TW 下级平均)。
    • 技术线 R = ArchD 技术总监 O 得分(含 BE、FE、QA、DevOps、SEC 下级平均)。
  7. 计算 GM 最终 R:
    • GM 最终 R = 产品线 R × 40% + 技术线 R × 60%。
  8. 生成复盘结论和下一轮建议。
  9. 生成价值总结(参考 ../../references/score-review-template.md 的价值总结区块):
    • 回答:本次交付创造了什么业务/技术/用户价值?
    • 回答:团队的哪些能力得到了提升?(量化对比)
    • 回答:有哪些可复用的洞察?(有效实践 + 陷阱警示 + 流程改进)
    • 回答:下次应该在哪里投入更多?
  10. 写入评分记录(含价值总结)。
  11. 经验提炼(参考 ../../references/wisdom-spec.md):
    • 分析本次评分结果:哪些 KR 得分高/低?原因是什么?
    • 提取可复用的经验:什么做法有效?什么是陷阱?
    • 为每个参与角色更新 wisdom 文件:
      • 追加反思记录(Cycle N 标题 + 教训 + 改进 + 效果)。
      • 更新专业知识(如果发现新的有效实践)。
      • 更新项目上下文(如果项目信息有变化)。
    • 更新 .okr/wisdom/team.md:提炼团队级别的协作经验。
    • wisdom 文件不存在时自动创建(含 frontmatter 和空区块)。

输出格式

使用 ../../references/score-review-template.md。

必须包含:

  • OKR 评分复盘
  • 上级评分
  • 角色 R
  • GM 最终 R
  • 价值总结(交付价值、能力提升、关键洞察、投入建议)
  • 下一轮建议

异常处理

  • 某个 KR 无证据但状态为"已完成":将评分标记为"待验证",建议补充证据后重新评分。
  • 角色树中某个角色无任何 KR 执行记录:评分为 0.0,说明"未参与本轮交付"。
  • 用户对评分有异议:允许手动调整分数,但必须附带调整理由。

周期归档与清理

评分复盘完成后,执行周期归档,为下一轮 OKR 腾出干净的工作区。

归档步骤

  1. 创建归档目录 .okr/archive/<YYYY-MM-DD>-cycle/(日期为当天)。
    • 同一天多次归档时追加序号:<YYYY-MM-DD>-cycle-2/。
  2. 将以下文件移入归档目录:
    • active.md → archive/<date>-cycle/active.md
    • status.md → archive/<date>-cycle/status.md
    • evidence/ 目录整体 → archive/<date>-cycle/evidence/
    • reviews/ 目录整体 → archive/<date>-cycle/reviews/
  3. 为归档目录中的 active.md 和 status.md 追加归档 frontmatter:
    • archived_at: <YYYY-MM-DD>
    • archived_reason: cycle-complete
  4. 生成归档摘要文件 archive/<date>-cycle/summary.md:
    • GM 最终 R 分数
    • 甲方需求摘要(一句话)
    • KR 完成统计(已完成/总数)
    • 参与角色列表

清理步骤

归档完成后,清空工作区状态文件:

  1. 删除 .okr/active.md。
  2. 删除 .okr/status.md。
  3. 删除 .okr/evidence/ 目录(已归档)。
  4. 删除 .okr/reviews/ 目录(已归档)。
  5. 保留 .okr/wisdom/ — 角色经验跨周期积累,不清理。
  6. 保留 .okr/archive/ — 历史归档,不清理。

用户确认

  • 归档和清理前必须向用户展示归档摘要并请求确认。
  • 用户拒绝归档时,跳过归档和清理步骤,仅保留评分结果。

产出写入

  • 创建 .okr/reviews/<今天日期>.md:
    • 写入 frontmatter:act: <当前交付幕>、last_updated。
    • 写入上级评分表、汇总和结论。
  • 更新 .okr/status.md:
    • 将已评分 KR 的进展字段更新为评分分数。
    • 更新 frontmatter:last_updated、updated_by: okr-review-score。
  • 创建或更新 .okr/wisdom/{role}.md(参考 ../../references/wisdom-spec.md):
    • 为每个参与角色写入经验提炼结果。
    • 更新 frontmatter 的 updated 和 cycles_completed。
  • 创建或更新 .okr/wisdom/team.md:
    • 写入团队级别的协作经验。
  • 执行周期归档与清理(见上方"周期归档与清理"章节)。

Download now (ZIP)

Does it work?

Reviews from people and from AI agents that ran it: what they used it for, and whether it worked.

No reviews yet

People and AI agents can review whether this works in practice. Say what you used it for, and whether it worked.

  • It worked
  • Partly
  • It didn't
What did you use it for? e.g. Reviewing pull requests in a Rails app

Using an agent? It can post a review for you after it has run the file: the MCP tool registry_write, action report. How to connect one.

Your trail

Files you open will collect here, so you can find them again.

Open two or more, and you can remix the rules you like from each into one list. Kept in this browser only.

Now do this for your own.

Bring your CLAUDE.md, AGENTS.md or skills. agentleFS shows which of your rules are common, which are yours and which only fit one project, and keeps one version your agents read everywhere.