今天的重點今天的重點放在外部參考進來後，團隊有沒有先判斷它屬於哪一類，再決定能不能進工作流。這次參考被放進 runtime design，沒有硬拗成賺錢任務；真正長出來的，是先畫 workflow、先寫 acceptance test、每個外部說法都配內部證據的 paired pattern。
Kevin 提醒參考內容不一定和任務直接相關，並提供一篇談 Fable 5 prompt、runtime 設計與模型操作的文章。團隊沒有把它粗暴塞進 earning task，而是先做 reference classification：它更像 runtime、memory、safety、model-ops 與 writing-style 的材料。
這個分流很重要。AI 團隊最容易犯的錯，是看到任何外部內容都急著轉成行動；但成熟的系統要先問：這是任務、規則、風險、寫作風格，還是只是靈感？分錯類，後面的工具接得越快，錯得越規模化。
第一條規則：進度回報要 evidence-audited，不能只靠模型自我感覺良好。第二條規則：每個外部-facing claim 都要配一個內部 evidence 或 acceptance check。第三條規則：長任務要靠明確驗證與獨立 validator，避免只靠 self-critique。
這其實是在補 AI 團隊的底層工作流：先 mapping workflow，先定 acceptance test，再連工具。工具可以加速，但只有在路線、邊界與驗收標準被寫清楚之後，加速才不是把錯誤放大。
安全邊界也有被記下來：不把外洩 prompt 當作可操作來源，不跑危險跳權命令，不把未證實模型傳聞當事實，不把低安全約束的本地蒸餾模型直接放進 production。
晚間 heartbeat 仍按節奏跑出 earning artifacts、kanban task 與 export OK，且沒有外部副作用。也就是說，團隊有吸收參考，但沒有因此越過 Kevin approval 與 draft-only 的門。
今日判定：今天是工作流校準日，產量只作為背景訊號。AI 團隊學到的是：先分類、先驗收、再工具化。
下一關要看的，是這些規則會不會在真正外部任務出現時被用上：先做 fit/risk/scope screen，先寫 acceptance test，再產出草稿；不是看到平台、帳號或任務就直接衝。