Option

santa-method

affaan-m/ECC affaan-m/ECC

Es werden zwei unabhängige Prüfer eingesetzt, um die Ausgabequalität zu überprüfen; beide müssen die Prüfung bestehen, bevor die Ware versandt wird.

...Alle erweitern
0
Zeit aktualisiert 1. Oktober 2026

Die Weihnachtsmann-Methode

Multi-Agenten-Framework zur adversarischen Verifikation. Eine Liste erstellen, zweimal überprüfen. Wenn etwas nicht in Ordnung ist, korrigieren, bis es in Ordnung ist.

Die zentrale Erkenntnis: Ein einzelner Agent, der seine eigene Ausgabe überprüft, weist dieselben Verzerrungen, Wissenslücken und systematischen Fehler auf, die zur Erstellung der Ausgabe geführt haben. Zwei unabhängige Prüfer ohne gemeinsamen Kontext durchbrechen diesen Fehlermodus.

Wann aktivieren?

Rufen Sie diese Funktion auf, wenn:

  • Das Ergebnis veröffentlicht, bereitgestellt oder von Endnutzern genutzt wird
  • Compliance-, regulatorische oder markenbezogene Vorgaben durchgesetzt werden müssen
  • Code ohne menschliche Überprüfung in die Produktion übergeht
  • die Richtigkeit der Inhalte von Bedeutung ist (technische Dokumentationen, Schulungsmaterialien, kundenorientierte Texte)
  • Bei der Erstellung großer Datenmengen, bei der Stichprobenprüfungen systemische Muster übersehen
  • Das Risiko von Fehlinformationen ist erhöht (Aussagen, Statistiken, API-Referenzen, juristische Formulierungen)

NICHT für interne Entwürfe, explorative Forschung oder Aufgaben mit deterministischer Verifizierung verwenden (verwenden Sie hierfür Build-/Test-/Lint-Pipelines).

Architektur

┌─────────────┐
│  GENERATOR   │  Phase 1: Make a List
│  (Agent A)   │  Produce the deliverable
└──────┬───────┘
       │ output
       ▼
┌──────────────────────────────┐
│     DUAL INDEPENDENT REVIEW   │  Phase 2: Check It Twice
│                                │
│  ┌───────────┐ ┌───────────┐  │  Two agents, same rubric,
│  │ Reviewer B │ │ Reviewer C │  │  no shared context
│  └─────┬─────┘ └─────┬─────┘  │
│        │              │        │
└────────┼──────────────┼────────┘
         │              │
         ▼              ▼
┌──────────────────────────────┐
│        VERDICT GATE           │  Phase 3: Naughty or Nice
│                                │
│  B passes AND C passes → NICE  │  Both must pass.
│  Otherwise → NAUGHTY           │  No exceptions.
└──────┬──────────────┬─────────┘
       │              │
    NICE           NAUGHTY
       │              │
       ▼              ▼
   [ SHIP ]    ┌─────────────┐
               │  FIX CYCLE   │  Phase 4: Fix Until Nice
               │              │
               │ iteration++  │  Collect all flags.
               │ if i > MAX:  │  Fix all issues.
               │   escalate   │  Re-run both reviewers.
               │ else:        │  Loop until convergence.
               │   goto Ph.2  │
               └──────────────┘

Phase Details

Phase 1: Liste erstellen (Generieren)

Führen Sie die primäre Aufgabe aus. Keine Änderungen an Ihrem normalen Generierungs-Workflow. Die Santa-Methode ist eine Verifizierungsschicht nach der Generierung, keine Generierungsstrategie.

# The generator runs as normal
output = generate(task_spec)

Phase 2: Zweifache Überprüfung (unabhängige doppelte Überprüfung)

Starten Sie zwei Überprüfungsagenten parallel. Kritische Invarianten:

  1. Kontextisolierung – keiner der Prüfer sieht die Bewertung des anderen
  2. Identische Bewertungsrubrik – beide erhalten dieselben Bewertungskriterien
  3. Gleiche Eingaben – beide erhalten die ursprüngliche Spezifikation UND die generierte Ausgabe
  4. Strukturierte Ausgabe – jeder gibt ein typisiertes Urteil zurück, keine Prosa
REVIEWER_PROMPT = """
You are an independent quality reviewer. You have NOT seen any other review of this output.

## Task Specification
{task_spec}

## Output Under Review
{output}

## Evaluation Rubric
{rubric}

## Instructions
Evaluate the output against EACH rubric criterion. For each:
- PASS: criterion fully met, no issues
- FAIL: specific issue found (cite the exact problem)

Return your assessment as structured JSON:
{
  "verdict": "PASS" | "FAIL",
  "checks": [
    {"criterion": "...", "result": "PASS|FAIL", "detail": "..."}
  ],
  "critical_issues": ["..."],   // blockers that must be fixed
  "suggestions": ["..."]         // non-blocking improvements
}

Be rigorous. Your job is to find problems, not to approve.
"""
# Spawn reviewers in parallel (Claude Code subagents)
review_b = Agent(prompt=REVIEWER_PROMPT.format(...), description="Santa Reviewer B")
review_c = Agent(prompt=REVIEWER_PROMPT.format(...), description="Santa Reviewer C")

# Both run concurrently — neither sees the other

Gestaltung der Bewertungsrubrik

Die Bewertungsrubrik ist die wichtigste Eingabe. Unklare Bewertungsrubriken führen zu unklaren Bewertungen. Jedes Kriterium muss eine objektive Bedingung für „bestanden“ oder „nicht bestanden“ haben.

Kriterium Bedingung für „Bestanden“ Signal für „Nicht bestanden“
Sachliche Richtigkeit Alle Aussagen lassen sich anhand von Quellenmaterial oder Allgemeinwissen überprüfen Erfundene Statistiken, falsche Versionsnummern, nicht existierende APIs
Keine Halluzinationen Keine erfundenen Entitäten, Zitate, URLs oder Verweise Links zu nicht existierenden Seiten, zugeschriebene Zitate ohne Quellenangabe
Vollständigkeit Jede Anforderung in der Spezifikation wird berücksichtigt Fehlende Abschnitte, ausgelassene Randfälle, unvollständige Abdeckung
Konformität Erfüllt alle projektspezifischen Vorgaben Verwendung verbotener Begriffe, Verstöße gegen den Tonfall, Nichteinhaltung gesetzlicher Vorschriften
Interne Konsistenz Keine Widersprüche innerhalb der Ausgabe In Abschnitt A steht X, in Abschnitt B steht nicht-X
Technische Korrektheit Der Code lässt sich kompilieren/ausführen, die Algorithmen sind korrekt Syntaxfehler, logische Fehler, falsche Angaben zur Komplexität

Domänenspezifische Erweiterungen der Bewertungsrubrik

Inhalt/Marketing:

  • Einhaltung der Markenstimme
  • SEO-Anforderungen erfüllt (Keyword-Dichte, Meta-Tags, Struktur)
  • Kein Missbrauch von Markenzeichen der Konkurrenz
  • CTA vorhanden und korrekt verlinkt

Code:

  • Typsicherheit (keine any Lecks, korrekte Null-Behandlung)
  • Abdeckung der Fehlerbehandlung
  • Sicherheit (keine vertraulichen Informationen im Code, Eingabevalidierung, Schutz vor Injektionen)
  • Testabdeckung für neue Pfade

Compliance-relevant (regulatorisch, rechtlich, finanziell):

  • Keine Ergebnisgarantien oder unbegründete Behauptungen
  • Erforderliche Haftungsausschlüsse vorhanden
  • Ausschließlich genehmigte Terminologie
  • Rechtsraumgerechter Wortlaut

Phase 3: Gut oder schlecht (Verdict Gate)

def santa_verdict(review_b, review_c):
    """Both reviewers must pass. No partial credit."""
    if review_b.verdict == "PASS" and review_c.verdict == "PASS":
        return "NICE"  # Ship it

    # Merge flags from both reviewers, deduplicate
    all_issues = dedupe(review_b.critical_issues + review_c.critical_issues)
    all_suggestions = dedupe(review_b.suggestions + review_c.suggestions)

    return "NAUGHTY", all_issues, all_suggestions

Warum beide bestehen müssen: Wenn nur ein Prüfer ein Problem entdeckt, ist dieses Problem real. Der blinde Fleck des anderen Prüfers ist genau der Fehlermodus, den die „Santa-Methode“ beseitigen soll.

Phase 4: Korrigieren, bis alles in Ordnung ist (Konvergenzschleife)

MAX_ITERATIONS = 3

for iteration in range(MAX_ITERATIONS):
    verdict, issues, suggestions = santa_verdict(review_b, review_c)

    if verdict == "NICE":
        log_santa_result(output, iteration, "passed")
        return ship(output)

    # Fix all critical issues (suggestions are optional)
    output = fix_agent.execute(
        output=output,
        issues=issues,
        instruction="Fix ONLY the flagged issues. Do not refactor or add unrequested changes."
    )

    # Re-run BOTH reviewers on fixed output (fresh agents, no memory of previous round)
    review_b = Agent(prompt=REVIEWER_PROMPT.format(output=output, ...))
    review_c = Agent(prompt=REVIEWER_PROMPT.format(output=output, ...))

# Exhausted iterations — escalate
log_santa_result(output, MAX_ITERATIONS, "escalated")
escalate_to_human(output, issues)

Kritisch: In jeder Überprüfungsrunde kommen neue Agenten zum Einsatz. Prüfer dürfen keine Erinnerungen aus früheren Runden mitbringen, da der vorherige Kontext eine Verankerungsverzerrung hervorruft.

Implementierungsmuster

Muster A: Claude-Code-Subagenten (empfohlen)

Subagenten sorgen für echte Kontextisolierung. Jeder Prüfer ist ein separater Prozess ohne gemeinsamen Zustand.

# In a Claude Code session, use the Agent tool to spawn reviewers
# Both agents run in parallel for speed
# Pseudocode for Agent tool invocation
reviewer_b = Agent(
    description="Santa Review B",
    prompt=f"Review this output for quality...\n\nRUBRIC:\n{rubric}\n\nOUTPUT:\n{output}"
)
reviewer_c = Agent(
    description="Santa Review C",
    prompt=f"Review this output for quality...\n\nRUBRIC:\n{rubric}\n\nOUTPUT:\n{output}"
)

Muster B: Sequentiell inline (Ausweichlösung)

Wenn keine Subagenten verfügbar sind, simulieren Sie die Isolation durch explizite Kontext-Resets:

  1. Ausgabe generieren
  2. Neuer Kontext: „Du bist Prüfer 1. Bewerte AUSSCHLIESSLICH anhand dieser Rubrik. Finde Fehler.“
  3. Ergebnisse wortgetreu protokollieren
  4. Kontext vollständig löschen
  5. Neuer Kontext: „Sie sind Prüfer 2. Bewerten Sie AUSSCHLIESSLICH anhand dieser Bewertungsmatrix. Finden Sie Probleme.“
  6. Beide Bewertungen vergleichen, korrigieren, wiederholen

Das Subagent-Muster ist eindeutig überlegen – bei der Inline-Simulation besteht die Gefahr einer Kontextvermischung zwischen den Gutachtern.

Muster C: Stichprobenverfahren

Bei großen Chargen (100+ Elemente) ist die vollständige Ausführung von „Santa“ für jedes Element zu kostspielig. Verwenden Sie eine geschichtete Stichprobe:

  1. Führen Sie „Santa“ auf einer Zufallsstichprobe durch (10–15 % der Charge, mindestens 5 Elemente)
  2. Kategorisieren Sie Fehler nach Art (Halluzination, Konformität, Vollständigkeit usw.)
  3. Sollten sich systematische Muster abzeichnen, wenden Sie gezielte Korrekturen auf die gesamte Charge an
  4. Nehmen Sie eine erneute Stichprobe und überprüfen Sie die korrigierte Charge erneut
  5. Fahren Sie fort, bis eine fehlerfreie Stichprobe die Prüfung besteht
import random

def santa_batch(items, rubric, sample_rate=0.15):
    sample = random.sample(items, max(5, int(len(items) * sample_rate)))

    for item in sample:
        result = santa_full(item, rubric)
        if result.verdict == "NAUGHTY":
            pattern = classify_failure(result.issues)
            items = batch_fix(items, pattern)  # Fix all items matching pattern
            return santa_batch(items, rubric)   # Re-sample

    return items  # Clean sample → ship batch

Fehlerarten und Abhilfemaßnahmen

Fehlerart Symptom Abhilfemaßnahme
Endlosschleife Prüfer finden nach der Behebung immer wieder neue Probleme Maximale Iterationsanzahl (3). Eskalieren.
Abhaken ohne Prüfung Beide Prüfer geben alles frei Provokative Aufforderung: „Deine Aufgabe ist es, Probleme zu finden, nicht zu genehmigen.“
Subjektive Abweichungen Prüfer weisen auf Stilvorlieben hin, nicht auf Fehler Strenge Bewertungsrichtlinie mit ausschließlich objektiven Bestehens-/Durchfallkriterien
Regression beheben Die Behebung von Problem A führt zu Problem B Neue Prüfer in jeder Runde erkennen Regressionen
Verzerrung durch Übereinstimmung der Prüfer Beide Prüfer übersehen dasselbe Wird durch Unabhängigkeit gemildert, aber nicht beseitigt. Bei kritischen Ergebnissen sollte ein dritter Prüfer hinzugezogen oder eine manuelle Stichprobenprüfung durchgeführt werden.
Kostenexplosion Zu viele Iterationen bei umfangreichen Ergebnissen Stichprobenverfahren. Budgetobergrenzen pro Verifizierungszyklus.

Integration mit anderen Kompetenzen

Fähigkeit Beziehung
Verifizierungsschleife Verwendung für deterministische Prüfungen (Build, Lint, Test). Santa für semantische Prüfungen (Genauigkeit, Halluzinationen). Zuerst Verifizierungsschleife ausführen, danach Santa.
Eval-Harness Die Ergebnisse der Santa-Methode fließen in die Evaluierungsmetriken ein. Verfolgen Sie „pass@k“ über alle Santa-Läufe hinweg, um die Qualität des Generators im Zeitverlauf zu messen.
Kontinuierliches Lernen v2 Santa-Befunde werden zu Instinkten. Wiederholte Fehler beim gleichen Kriterium → erlerntes Verhalten, um das Muster zu vermeiden.
Strategische Komprimierung Führen Sie „Santa“ VOR der Kompaktierung aus. Verlieren Sie den Überprüfungskontext während der Verifizierung nicht aus den Augen.

Metriken

Verfolgen Sie diese, um die Wirksamkeit der Santa-Methode zu messen:

  • Erfolgsquote beim ersten Durchlauf: % der Ausgaben, die Santa in Runde 1 bestehen (Ziel: >70 %)
  • Durchschnittliche Iterationen bis zur Konvergenz: durchschnittliche Anzahl der Runden bis NICE (Ziel: <1,5)
  • Problemtaxonomie: Verteilung der Fehlerarten (Halluzinationen vs. Vollständigkeit vs. Konformität)
  • Übereinstimmung der Prüfer: Prozentsatz der Probleme, die von beiden Prüfern markiert wurden, im Vergleich zu denen, die nur von einem Prüfer markiert wurden (geringe Übereinstimmung = Rubrik muss verschärft werden)
  • Entgangensrate: Nach der Veröffentlichung gefundene Probleme, die Santa hätte erkennen müssen (Ziel: 0)

Kostenanalyse

Die Santa-Methode kostet pro Verifizierungszyklus etwa das 2- bis 3-Fache der reinen Token-Generierungskosten. Für die meisten Ausgabedaten mit hohem Risiko ist dies ein Schnäppchen:

Cost of Santa = (generation tokens) + 2×(review tokens per round) × (avg rounds)
Cost of NOT Santa = (reputation damage) + (correction effort) + (trust erosion)

Bei Batch-Vorgängen senkt das Stichprobenverfahren die Kosten auf ca. 15–20 % einer vollständigen Verifikation und deckt dabei >90 % der systematischen Fehler auf.

Auf GitHub ansehen
---
name: santa-method
description: Uses two independent review agents to verify output quality, requiring both to pass before shipping.
---

# Santa Method

Multi-agent adversarial verification framework. Make a list, check it twice. If it's naughty, fix it until it's nice.

The core insight: a single agent reviewing its own output shares the same biases, knowledge gaps, and systematic errors that produced the output. Two independent reviewers with no shared context break this failure mode.

## When to Activate

Invoke this skill when:
- Output will be published, deployed, or consumed by end users
- Compliance, regulatory, or brand constraints must be enforced
- Code ships to production without human review
- Content accuracy matters (technical docs, educational material, customer-facing copy)
- Batch generation at scale where spot-checking misses systemic patterns
- Hallucination risk is elevated (claims, statistics, API references, legal language)

Do NOT use for internal drafts, exploratory research, or tasks with deterministic verification (use build/test/lint pipelines for those).

## Architecture

```
┌─────────────┐
│  GENERATOR   │  Phase 1: Make a List
│  (Agent A)   │  Produce the deliverable
└──────┬───────┘
       │ output
       ▼
┌──────────────────────────────┐
│     DUAL INDEPENDENT REVIEW   │  Phase 2: Check It Twice
│                                │
│  ┌───────────┐ ┌───────────┐  │  Two agents, same rubric,
│  │ Reviewer B │ │ Reviewer C │  │  no shared context
│  └─────┬─────┘ └─────┬─────┘  │
│        │              │        │
└────────┼──────────────┼────────┘
         │              │
         ▼              ▼
┌──────────────────────────────┐
│        VERDICT GATE           │  Phase 3: Naughty or Nice
│                                │
│  B passes AND C passes → NICE  │  Both must pass.
│  Otherwise → NAUGHTY           │  No exceptions.
└──────┬──────────────┬─────────┘
       │              │
    NICE           NAUGHTY
       │              │
       ▼              ▼
   [ SHIP ]    ┌─────────────┐
               │  FIX CYCLE   │  Phase 4: Fix Until Nice
               │              │
               │ iteration++  │  Collect all flags.
               │ if i > MAX:  │  Fix all issues.
               │   escalate   │  Re-run both reviewers.
               │ else:        │  Loop until convergence.
               │   goto Ph.2  │
               └──────────────┘
```

## Phase Details

### Phase 1: Make a List (Generate)

Execute the primary task. No changes to your normal generation workflow. Santa Method is a post-generation verification layer, not a generation strategy.

```python
# The generator runs as normal
output = generate(task_spec)
```

### Phase 2: Check It Twice (Independent Dual Review)

Spawn two review agents in parallel. Critical invariants:

1. **Context isolation** — neither reviewer sees the other's assessment
2. **Identical rubric** — both receive the same evaluation criteria
3. **Same inputs** — both receive the original spec AND the generated output
4. **Structured output** — each returns a typed verdict, not prose

```python
REVIEWER_PROMPT = """
You are an independent quality reviewer. You have NOT seen any other review of this output.

## Task Specification
{task_spec}

## Output Under Review
{output}

## Evaluation Rubric
{rubric}

## Instructions
Evaluate the output against EACH rubric criterion. For each:
- PASS: criterion fully met, no issues
- FAIL: specific issue found (cite the exact problem)

Return your assessment as structured JSON:
{
  "verdict": "PASS" | "FAIL",
  "checks": [
    {"criterion": "...", "result": "PASS|FAIL", "detail": "..."}
  ],
  "critical_issues": ["..."],   // blockers that must be fixed
  "suggestions": ["..."]         // non-blocking improvements
}

Be rigorous. Your job is to find problems, not to approve.
"""
```

```python
# Spawn reviewers in parallel (Claude Code subagents)
review_b = Agent(prompt=REVIEWER_PROMPT.format(...), description="Santa Reviewer B")
review_c = Agent(prompt=REVIEWER_PROMPT.format(...), description="Santa Reviewer C")

# Both run concurrently — neither sees the other
```

### Rubric Design

The rubric is the most important input. Vague rubrics produce vague reviews. Every criterion must have an objective pass/fail condition.

| Criterion | Pass Condition | Failure Signal |
|-----------|---------------|----------------|
| Factual accuracy | All claims verifiable against source material or common knowledge | Invented statistics, wrong version numbers, nonexistent APIs |
| Hallucination-free | No fabricated entities, quotes, URLs, or references | Links to pages that don't exist, attributed quotes with no source |
| Completeness | Every requirement in the spec is addressed | Missing sections, skipped edge cases, incomplete coverage |
| Compliance | Passes all project-specific constraints | Banned terms used, tone violations, regulatory non-compliance |
| Internal consistency | No contradictions within the output | Section A says X, section B says not-X |
| Technical correctness | Code compiles/runs, algorithms are sound | Syntax errors, logic bugs, wrong complexity claims |

#### Domain-Specific Rubric Extensions

**Content/Marketing:**
- Brand voice adherence
- SEO requirements met (keyword density, meta tags, structure)
- No competitor trademark misuse
- CTA present and correctly linked

**Code:**
- Type safety (no `any` leaks, proper null handling)
- Error handling coverage
- Security (no secrets in code, input validation, injection prevention)
- Test coverage for new paths

**Compliance-Sensitive (regulated, legal, financial):**
- No outcome guarantees or unsubstantiated claims
- Required disclaimers present
- Approved terminology only
- Jurisdiction-appropriate language

### Phase 3: Naughty or Nice (Verdict Gate)

```python
def santa_verdict(review_b, review_c):
    """Both reviewers must pass. No partial credit."""
    if review_b.verdict == "PASS" and review_c.verdict == "PASS":
        return "NICE"  # Ship it

    # Merge flags from both reviewers, deduplicate
    all_issues = dedupe(review_b.critical_issues + review_c.critical_issues)
    all_suggestions = dedupe(review_b.suggestions + review_c.suggestions)

    return "NAUGHTY", all_issues, all_suggestions
```

Why both must pass: if only one reviewer catches an issue, that issue is real. The other reviewer's blind spot is exactly the failure mode Santa Method exists to eliminate.

### Phase 4: Fix Until Nice (Convergence Loop)

```python
MAX_ITERATIONS = 3

for iteration in range(MAX_ITERATIONS):
    verdict, issues, suggestions = santa_verdict(review_b, review_c)

    if verdict == "NICE":
        log_santa_result(output, iteration, "passed")
        return ship(output)

    # Fix all critical issues (suggestions are optional)
    output = fix_agent.execute(
        output=output,
        issues=issues,
        instruction="Fix ONLY the flagged issues. Do not refactor or add unrequested changes."
    )

    # Re-run BOTH reviewers on fixed output (fresh agents, no memory of previous round)
    review_b = Agent(prompt=REVIEWER_PROMPT.format(output=output, ...))
    review_c = Agent(prompt=REVIEWER_PROMPT.format(output=output, ...))

# Exhausted iterations — escalate
log_santa_result(output, MAX_ITERATIONS, "escalated")
escalate_to_human(output, issues)
```

Critical: each review round uses **fresh agents**. Reviewers must not carry memory from previous rounds, as prior context creates anchoring bias.

## Implementation Patterns

### Pattern A: Claude Code Subagents (Recommended)

Subagents provide true context isolation. Each reviewer is a separate process with no shared state.

```bash
# In a Claude Code session, use the Agent tool to spawn reviewers
# Both agents run in parallel for speed
```

```python
# Pseudocode for Agent tool invocation
reviewer_b = Agent(
    description="Santa Review B",
    prompt=f"Review this output for quality...\n\nRUBRIC:\n{rubric}\n\nOUTPUT:\n{output}"
)
reviewer_c = Agent(
    description="Santa Review C",
    prompt=f"Review this output for quality...\n\nRUBRIC:\n{rubric}\n\nOUTPUT:\n{output}"
)
```

### Pattern B: Sequential Inline (Fallback)

When subagents aren't available, simulate isolation with explicit context resets:

1. Generate output
2. New context: "You are Reviewer 1. Evaluate ONLY against this rubric. Find problems."
3. Record findings verbatim
4. Clear context completely
5. New context: "You are Reviewer 2. Evaluate ONLY against this rubric. Find problems."
6. Compare both reviews, fix, repeat

The subagent pattern is strictly superior — inline simulation risks context bleed between reviewers.

### Pattern C: Batch Sampling

For large batches (100+ items), full Santa on every item is cost-prohibitive. Use stratified sampling:

1. Run Santa on a random sample (10-15% of batch, minimum 5 items)
2. Categorize failures by type (hallucination, compliance, completeness, etc.)
3. If systematic patterns emerge, apply targeted fixes to the entire batch
4. Re-sample and re-verify the fixed batch
5. Continue until a clean sample passes

```python
import random

def santa_batch(items, rubric, sample_rate=0.15):
    sample = random.sample(items, max(5, int(len(items) * sample_rate)))

    for item in sample:
        result = santa_full(item, rubric)
        if result.verdict == "NAUGHTY":
            pattern = classify_failure(result.issues)
            items = batch_fix(items, pattern)  # Fix all items matching pattern
            return santa_batch(items, rubric)   # Re-sample

    return items  # Clean sample → ship batch
```

## Failure Modes and Mitigations

| Failure Mode | Symptom | Mitigation |
|-------------|---------|------------|
| Infinite loop | Reviewers keep finding new issues after fixes | Max iteration cap (3). Escalate. |
| Rubber stamping | Both reviewers pass everything | Adversarial prompt: "Your job is to find problems, not approve." |
| Subjective drift | Reviewers flag style preferences, not errors | Tight rubric with objective pass/fail criteria only |
| Fix regression | Fixing issue A introduces issue B | Fresh reviewers each round catch regressions |
| Reviewer agreement bias | Both reviewers miss the same thing | Mitigated by independence, not eliminated. For critical output, add a third reviewer or human spot-check. |
| Cost explosion | Too many iterations on large outputs | Batch sampling pattern. Budget caps per verification cycle. |

## Integration with Other Skills

| Skill | Relationship |
|-------|-------------|
| Verification Loop | Use for deterministic checks (build, lint, test). Santa for semantic checks (accuracy, hallucinations). Run verification-loop first, Santa second. |
| Eval Harness | Santa Method results feed eval metrics. Track pass@k across Santa runs to measure generator quality over time. |
| Continuous Learning v2 | Santa findings become instincts. Repeated failures on the same criterion → learned behavior to avoid the pattern. |
| Strategic Compact | Run Santa BEFORE compacting. Don't lose review context mid-verification. |

## Metrics

Track these to measure Santa Method effectiveness:

- **First-pass rate**: % of outputs that pass Santa on round 1 (target: >70%)
- **Mean iterations to convergence**: average rounds to NICE (target: <1.5)
- **Issue taxonomy**: distribution of failure types (hallucination vs. completeness vs. compliance)
- **Reviewer agreement**: % of issues flagged by both reviewers vs. only one (low agreement = rubric needs tightening)
- **Escape rate**: issues found post-ship that Santa should have caught (target: 0)

## Cost Analysis

Santa Method costs approximately 2-3x the token cost of generation alone per verification cycle. For most high-stakes output, this is a bargain:

```
Cost of Santa = (generation tokens) + 2×(review tokens per round) × (avg rounds)
Cost of NOT Santa = (reputation damage) + (correction effort) + (trust erosion)
```

For batch operations, the sampling pattern reduces cost to ~15-20% of full verification while catching >90% of systematic issues.

Alle Dateien

1 Dateien

santa-method installieren

Laden Sie die Skill-Dateien herunter und entpacken Sie sie in Ihr Verzeichnis „.claude/skills/“.

ZIP herunterladen

Klonen Sie das Repository und kopieren Sie die Skill-Dateien in Ihr Projekt.

git clone https://github.com/affaan-m/ECC/tree/main/skills/santa-method # Copy SKILL.md to your .claude/skills/ directory

Kopieren Kopieren
Schnelle Einrichtung: Kopiere den Skill-Ordner nach .claude/skills/ Claude erkennt den Skill automatisch und nutzt ihn.
Repository affaan-m/ECC

Ähnliche Skills

web-search
Zeit aktualisiert 29. Juni 2026
webapp-testing
Zeit aktualisiert 29. Juni 2026
lark-base
Zeit aktualisiert 5. Juli 2026
agentmail
Zeit aktualisiert 29. Juni 2026
OR