核心用法
Checkmate 采用四步闭环机制解决 AI 输出质量不稳定的问题：
1. Intake（准入）：将模糊任务转化为机器可检验的 criteria.md 验收标准
2. Worker（执行）：完成任务并生成输出
3. Judge（评审）：对照标准返回结构化 PASS/FAIL 判定及具体缺陷
4. Loop（迭代）：未通过则自动反馈修正，最多 5 轮
触发方式灵活，支持 checkmate: <任务> 指令或自然语言如"迭代到通过为止"。
显著优点
- 质量硬约束：区别于单次生成，强制满足可量化标准后才交付
- 自主迭代：无需人工逐轮干预，AI 自主完成"写-评-改"循环
- 透明可追溯：每轮迭代计数展示，最终失败时提供完整评审报告
- 标准可复用：
criteria.md可作为独立文档沉淀验收规范
潜在局限
- 启动成本：简单任务可能因 intake 和 judge 开销显得冗余
- 标准漂移：若 intake 生成的 criteria 本身有缺陷，后续循环徒劳
- 收敛风险：复杂任务可能在 5 轮内无法达标，最终仍交付"最佳尝试"
- 资源消耗：多轮 LLM 调用显著增加 token 成本和响应时间
适合人群
- 需要交付确定性的场景（代码审查、合规文档、数据验证）
- 任务成功标准可明确量化但实现路径复杂的用户
- 愿意用时间换质量、追求"一次做对"的专业工作者
常规风险
- 过度工程化：简单任务误用导致效率低下
- 隐性失败："最佳尝试"交付可能让用户误以为已通过标准
- 循环依赖：Judge 本身可靠性影响整体系统有效性
建议仅在任务质量敏感且标准可明确定义时启用。