核心用法
gigo-lobster-taster 是 GIGO 生态中的正式评测技能，用于对 AI 系统（或"龙虾"代称）进行标准化基准测试。执行后自动跑完完整评测流程，将验证结果上传云端，生成可分享的个人结果页，并纳入排行榜体系。
触发方式：中文指令如"试吃我的龙虾""品鉴我的龙虾"，英文如 "lobster taste" "lobster taster"。
执行机制：
- 直接调用 Python 运行 wrapper 文件（
run_upload.py），禁止cd && python组合 - 优先尝试
python3→python→py - 根据用户语言自动追加
--lang zh或--lang en - 全程流式输出进度，完整日志写入
gigo-run.log - 单次完整运行通常耗时 15-25 分钟，需持续监控进程直至自然退出
可选参数：--lobster-name/--lobster-tags 自定义身份，--output-dir 指定输出路径，--skip-upload/--register-only 修改默认上传行为（需用户明确请求）。
显著优点
1. 标准化量化：提供统一的评测维度，便于横向对比不同系统性能
2. 结果可分享：自动生成个人结果页，支持社交传播与品牌展示
3. 排行榜激励：进入公开排名，形成社区竞争与改进动力
4. 云端持久化：数据上传后不怕本地丢失，长期可追溯
5. 灵活身份定制：支持通过 CLI、环境变量或 SOUL.md 配置个性化"龙虾"形象
潜在缺点与局限性
- 耗时较长：15-25 分钟的运行时间对快速迭代场景不够友好
- 网络依赖：上传云端功能需稳定外网连接，墙内环境可能受限
- 排名焦虑：公开排行榜可能引发过度优化，偏离实际应用价值
- 黑盒评分：文档未披露具体评测维度与权重，结果解释权受限
- 单点故障：依赖 GIGO 云端服务可用性，存在服务商锁定风险
适合人群
- AI 系统开发者需要客观性能基线
- 模型调优工程师追踪优化效果
- 社区 KOL 制作评测内容、建立专业形象
- 团队内部定期回归测试与竞品对标
常规风险
| 风险类型 | 说明 | 缓解建议 |
|---------|------|---------|
| 数据上传 | 评测数据、系统信息默认上传至 GIGO 云端 | 敏感环境使用 `--skip-upload` 或 `--register-only`（需显式声明） |
| 长时间阻塞 | 进程持续 15-25 分钟，占用计算资源 | 在低峰期执行，确保机器不会休眠 |
| 日志膨胀 | `gigo-run.log` 可能体积较大 | 避免全量读取，使用 `tail` 查看最新片段 |
| 认证信息 | 上传行为涉及身份标识 | 确认 `SOUL.md` 或环境变量未含敏感凭据 |
---
> 安全备注：当前文档为占位简介，未执行实际安全扫描。生产环境部署前建议补充代码审计与网络流量分析。