ratemy.sh · 以证据为准的上线审查
难的从来不是写出来。
AI 一个周末就能把产品写出来。但写出来的东西，敢不敢让真实用户、真实数据、真金白银压上去， 没有人替你回答。RateMy 回答的就是这一步：五个 skill 各审一层，产品、后端、Skill、运行时、agent 本体， 共用一套证据合同。不合格，直接说 NOT READY。
问题清单
BLOCKER · F-002取消不会真的停下工具调用。用户按了停止，agent 还在继续花钱。
HIGH · F-005重试会把同一笔扣款再执行一遍。用户批准一次，钱扣了两次。
待验证
UNKNOWN · U-003从来没人真的去试过能不能读到别人的数据。一个用户的数据可能被另一个用户看到。
证据通道
五个 skill
各审一层，共用一套证据合同。
五个各自独立，装在 Claude Code、Codex、Cursor 或者任何 Agent Skills 客户端里都能用。你正要上线哪一层， 就只装哪一个。
凭什么信它的结论
这是一份合同，不是一种感觉。
五个 skill 共用下面这几条。有这几条，这里的结论才值得一读。
分数不能把硬闸门平均掉。
有几种问题不参与打分，一旦查实就直接拦住发布，这叫硬闸门：越权、数据跨边界泄漏、数据不可逆地丢失、 真的向用户重复扣款、把没做完的说成做完了。总分再高也盖不住它们。你说「这个风险我认了」， 也只会记成你认了，不会变成通过。
证据是分级的。
每条结论都标着它的证据有多硬：E3 是换个环境重现过，E2 是有工具或日志记下来，
E1 是看到了代码或配置本身，E0 是还没验证。代码里够得着的缺陷是真的，
但在它被真正触发之前，它会造成什么后果只能算推断。
一份看着合理的 diff 不等于修好了。
换一个没参与修复的上下文重新跑一遍，拿到新的通过证据，这条问题才算修好。重跑的这一遍还会把补丁本身 当成没人审过的新代码，再审一次。修复的人，不给自己打分。
CI 全绿只证明结构，不证明行为。
仓库检查和 schema 校验证明不了用户真能走通一次下单或者登录。要发到公开档位、或者能碰真钱的档位，
必须拿被审的那一版跑出来的新证据。会变的 latest 标签，不算指定了版本。
该用哪个
按你正要上线的东西来挑。
「我 vibe 出一个 app，想拿它收钱。」
rate-my-code，按收真钱的那一档来审。在你收第一分钱之前，先验证钱不会多扣少扣、 重试不会重复扣、别人的订单看不到、坏了能恢复、坏了有人知道。
「API 是我写的，马上要接真实流量。」
rate-my-server。一个用户的数据会不会漏给另一个用户、同一个请求重试会不会重复执行、 流量打满时会不会连环崩、数据库改结构和回滚靠不靠谱，以及「恢复」到底能不能真的恢复。
「我做了个能碰真实账号的 agent。」
rate-my-agent 判它怎么做决定，rate-my-harness 判运行时拦不拦得住它。结论要紧的话，两个都上。
「我写了个 Skill，想发出去。」
rate-my-skill。该触发的时候触发得到吗、装了到底比不装强多少、指令会不会被输入里的文本带偏、 别人拿到能不能装上并复现。