别再给我打分了，我只想知道哪里对不上

引子

我最近越来越烦一件事：不是代码烂，是对不上。

spec 写的是 A，代码跑的是 B，测试断的是 C，commit message 又说在修 D。四份东西，单看每份都自洽，凑一起就打架。项目不是被 bug 拖死的，是被这种“谁也不知道哪份算数”拖死的。尤其是 spec-driven development 铺开之后，spec 前后的不一致、spec 和代码的不一致，越来越直接地影响进度。

我要的不是“给我打个分”，是“告诉我哪儿对不上”。

我翻了一圈现成工具，三类都不对味

1. 熵 / 健康分那类：上来给我一个 0–100 分。我不信这个分——“混乱”没有标准答案，它凭什么替我判。误报两次我就再也不打开了。
2. 需求追溯那类：默认我有 REQ 编号、有 MR、有评审。可现实是什么？全民 vibe coding，一个仓库从一句话开始，慢慢堆成屎山，谁给你写需求编号。
3. AI slop 检测那类：能揪重复代码和空函数，但只管代码内部，不管文档和代码互相打脸。

我一开始也想走“纯确定性”的捷径

有条路子很诱人：建链接图，spec 里挂 ID，代码里挂引用，再用 git 耦合算漂移。听着很硬核，零误报。

我自己把它否了。这套东西的前提是纪律，而我要看的仓库恰恰没有纪律——没有 MR、没有追溯矩阵、没有权威版本。你让它怎么建图？

还有更根本的一条：不一定代码是错的，也不一定 spec 是错的。 一个只会输出“谁错了”的工具，从定义上就错了。

那 LLM 到底要不要

要，而且必须是主体。我一度想省掉它，追求可复现、零误报，结果发现砍掉 LLM 之后，剩下的只有“这个符号还存不存在”“这个文件改了几次”——那是谁都能写的 lint，没劲。

但我也不信 LLM 一个人说的。我查到的数据：同类工具里纯 LLM 判矛盾，精确率大概 16%；前面加一道 NLI 门控能到 89%。另一篇做 README 不一致检测的论文是 75%。所以我给它的分工是：

• LLM 负责说出“哪儿对不上”，做语义对质；
• 符号存在性、常量比对、git 时序这些确定性检查，负责当物证和刹车。

（这些数字是别人项目 / 论文里的，不是我实测的。）

我想要的东西长什么样

• 只摆证词，不判对错。把 spec、代码、测试、commit 各摆一份，附证据，改哪边我自己定。
• 不合成总分。重复真相、主张冲突、只加不减、孤儿残留、结构熵，分开看，各自有趋势。
• 看趋势，不看单点。混乱是速率，不是状态。今天 7 处、下个月 30 处，这才是我要的信号。
• 每条结论至少两个能点开的证据，凑不齐就别报。我宁可漏，不要噪音。

结语

我不需要工具告诉我谁对。我需要它把散落各处的几份说法摆到一张桌上，让我知道该从哪查起。

先能查出来，再谈怎么改。至于哪份证词是真的——那是我自己的事。