diff --git a/研发型企业AI转型方案/报告/ai-transformation-plan.html b/研发型企业AI转型方案/报告/ai-transformation-plan.html
index 732f982..1b87723 100644
--- a/研发型企业AI转型方案/报告/ai-transformation-plan.html
+++ b/研发型企业AI转型方案/报告/ai-transformation-plan.html
@@ -3,7 +3,7 @@
 <head>
     <meta charset="UTF-8">
     <meta name="viewport" content="width=device-width, initial-scale=1.0">
-    <title>研发型企业 AI 转型方案 — 工具矩阵·培训体系·售前交付方法论</title>
+    <title>研发型企业 AI 转型方案 — 工具矩阵·培训体系·售前交付方法论·绩效评估</title>
     <style>
         :root {
             --color-primary: #1677FF;
@@ -394,6 +394,9 @@
         blockquote p { text-indent: 0; }
 
         /* ===== CODE ===== */
+        .code-snippet{background:#1E1E1E;color:#D4D4D4;border-radius:var(--radius-md);padding:16px 20px;margin:14px 0;font-family:'SF Mono',Monaco,monospace;font-size:13px;line-height:1.7;overflow-x:auto;white-space:pre;}
+        .code-snippet .kw{color:#569CD6;}.code-snippet .str{color:#CE9178;}.code-snippet .cm{color:#6A9955;}.code-snippet .fn{color:#DCDCAA;}
+        .tree{font-family:'SF Mono',Monaco,monospace;font-size:13px;color:var(--text-secondary);line-height:1.6;margin:14px 0;padding:12px 16px;background:var(--bg-elevated);border-radius:var(--radius-sm);border:1px solid var(--border-light);white-space:pre;}
         pre {
             background: var(--bg-elevated);
             border: 1px solid var(--border);
@@ -653,6 +656,16 @@
             <li><a href="#p3-s5">组织保障与变革管理</a></li>
             <li><a href="#p3-s6">实施路线图</a></li>
         </ol>
+        <div class="toc-part">第四篇 · 员工绩效评估</div>
+        <ol>
+            <li><a href="#p4-s1">传统考核为何失效</a></li>
+            <li><a href="#p4-s2">维度一：需求转化质量</a></li>
+            <li><a href="#p4-s3">维度二：AI 协同效能</a></li>
+            <li><a href="#p4-s4">维度三：交付质量</a></li>
+            <li><a href="#p4-s5">维度四：知识资产贡献</a></li>
+            <li><a href="#p4-s6">数据采集与考核落地</a></li>
+            <li><a href="#p4-s7">红线机制与原则</a></li>
+        </ol>
     </nav>
 </aside>
 
@@ -3250,10 +3263,443 @@ AI生成ETL脚本和数据验证规则
 
 </section><!-- /p3-s6 -->
 
+<!-- ============================================================ -->
+<!-- PART 4: AI 时代员工绩效评估体系 -->
+<!-- ============================================================ -->
+
+<section id="p4-s0">
+<h2>第四篇：AI 时代员工绩效评估体系</h2>
+
+<blockquote><p>当 AI 可以 10 分钟生成 2000 行代码时，以"代码行数""工时饱和度"为核心的传统考核体系彻底失效。本篇提出四维评估模型，将考核重心从"写了多少"转向"交付了什么价值"。</p></blockquote>
+</section>
+
+<!-- Section 4.1: 传统考核为何失效 -->
+<section id="p4-s1">
+<h2>传统考核为何失效</h2>
+
+<div class="table-wrap">
+<div class="table-caption">表：传统指标在 AI 时代的失效分析</div>
+<table>
+<thead><tr><th style="width:16%;">传统指标</th><th style="width:32%;">AI 时代的问题</th><th style="width:20%;">失效原因</th><th>替代思路</th></tr></thead>
+<tbody>
+<tr><td><strong>代码行数 (LOC)</strong></td><td>AI 批量生成，一人日均可产出上万行，数量与质量完全脱钩</td><td>产量≠价值</td><td>功能交付数 × 质量系数</td></tr>
+<tr><td><strong>Commit 次数</strong></td><td>AI 可按指令频繁 commit，变成无意义的刷量行为</td><td>频率≠进度</td><td>PR 合并数 × 一次通过率</td></tr>
+<tr><td><strong>工时 / 饱和度</strong></td><td>AI 大幅压缩编码时间，真正耗时的是需求理解与方案设计——而这两者无法用工时衡量</td><td>投入≠产出</td><td>需求→上线周期</td></tr>
+<tr><td><strong>Bug 修复数</strong></td><td>AI 写的代码可能引入隐蔽 Bug，修得多反而说明前期质量差。修复数上升可能是能力退步的信号</td><td>指标反向</td><td>生产事故率（越低越好）</td></tr>
+<tr><td><strong>Story Point 完成数</strong></td><td>估时体系崩塌——以前 3 天的任务现在 2 小时完成，SP 的绝对值失去参照意义</td><td>基准失效</td><td>相对速率变化趋势</td></tr>
+</tbody>
+</table>
+</div>
+
+<div class="box box-warn">
+    <h4>⚠️ 核心矛盾</h4>
+    <p>AI 让"做事"的效率提升了 5-10 倍，但"做对的事"的能力没有变。考核体系必须区分这两个维度——对效率提升给予认可，但对方向性错误保持零容忍。</p>
+</div>
+</section>
+
+<!-- Section 4.2: 维度一——需求转化质量 -->
+<section id="p4-s2">
+<h2>维度一：需求转化质量（权重 35%）</h2>
+
+<blockquote><p>衡量开发者把模糊需求转化为可执行方案的能力——这是 AI 辅助下<strong>最无法替代的人类价值</strong>。AI 擅长执行，人擅长定义。</p></blockquote>
+
+<div class="table-wrap">
+<div class="table-caption">表：需求转化质量 — 三级指标</div>
+<table>
+<thead><tr><th style="width:14%;">指标</th><th style="width:10%;">权重</th><th style="width:26%;">测量方式</th><th style="width:14%;">数据来源</th><th>目标值</th></tr></thead>
+<tbody>
+<tr>
+    <td><strong>需求一次通过率</strong></td>
+    <td>40%</td>
+    <td>PRD → 技术方案评审中，无需返工直接通过的比例。统计周期内"首次评审即通过"的方案数 ÷ 总方案数</td>
+    <td>评审记录系统 / 项目管理平台</td>
+    <td>≥ 70%</td>
+</tr>
+<tr>
+    <td><strong>边界条件覆盖度</strong></td>
+    <td>35%</td>
+    <td>方案中显式列出的异常场景、边界条件、降级策略数量。由技术 Leader 在评审时打分（1-5 分制）</td>
+    <td>方案评审 checklist</td>
+    <td>≥ 4 分</td>
+</tr>
+<tr>
+    <td><strong>Prompt 工程效能</strong></td>
+    <td>25%</td>
+    <td>通过结构化 Prompt 让 AI 一次生成正确代码的比率。测量方式：统计"AI 第一轮生成 → 无需或仅需微调即合入"的 PR 数 ÷ 总 AI 辅助 PR 数</td>
+    <td>AI 工具平台日志</td>
+    <td>≥ 60%</td>
+</tr>
+</tbody>
+</table>
+</div>
+
+<h3>实施细节</h3>
+
+<p><strong>需求一次通过率</strong>的采集：在项目管理工具（如 Jira / 飞书项目）中为每个需求增加"评审通过轮次"字段。方案评审会议上，评审组当场记录结果：</p>
+<ul>
+    <li><strong>一轮通过</strong>：方案完整性、可行性均达标，无返工意见</li>
+    <li><strong>二轮通过</strong>：有少量修改意见，修改后复审通过</li>
+    <li><strong>三轮及以上</strong>：存在重大遗漏或方向性错误，需大幅返工</li>
+</ul>
+
+<p><strong>边界条件覆盖度</strong>的 scoring rubric：</p>
+
+<div class="table-wrap">
+<table>
+<thead><tr><th>分数</th><th>标准</th></tr></thead>
+<tbody>
+<tr><td>5 分</td><td>覆盖了正常路径 + 全部可预见的异常/边界场景（含并发冲突、数据一致性、超时处理、降级策略），并有明确的监控和告警方案</td></tr>
+<tr><td>4 分</td><td>覆盖了主要异常路径（网络超时、数据为空、权限不足）和关键边界条件</td></tr>
+<tr><td>3 分</td><td>仅覆盖正常路径和最基本的异常处理（try-catch 包裹），缺少边界条件分析</td></tr>
+<tr><td>2 分</td><td>只描述了正常路径（Happy Path），未提及任何异常场景</td></tr>
+<tr><td>1 分</td><td>方案本身存在逻辑矛盾或遗漏核心功能点</td></tr>
+</tbody>
+</table>
+</div>
+
+<p><strong>Prompt 工程效能</strong>的测量依赖于 AI 工具平台的能力。推荐在 Claude Code / Cursor 等工具中启用 usage analytics，记录每轮对话的代码生成量与采纳情况。如果工具不支持自动采集，可退化为开发者手动标注（每周标注 3-5 个代表性 PR 的 AI 协作情况）。</p>
+</section>
+
+<!-- Section 4.3: 维度二——AI 协同效能 -->
+<section id="p4-s3">
+<h2>维度二：AI 协同效能（权重 30%）</h2>
+
+<blockquote><p>衡量开发者与 AI 协作的效率和稳定性——不是看 AI 能做多少，而是看人+AI 这个组合体的端到端交付能力。</p></blockquote>
+
+<div class="table-wrap">
+<div class="table-caption">表：AI 协同效能 — 四级指标</div>
+<table>
+<thead><tr><th style="width:16%;">指标</th><th style="width:10%;">权重</th><th style="width:26%;">测量方式</th><th style="width:14%;">数据来源</th><th>目标值</th></tr></thead>
+<tbody>
+<tr>
+    <td><strong>需求→上线周期</strong></td>
+    <td>35%</td>
+    <td>从需求状态变为"开发中"到生产部署成功的日历天数。包含编码、审查、测试、部署全流程</td>
+    <td>Jira + CI/CD 部署日志</td>
+    <td>≤ 7 天</td>
+</tr>
+<tr>
+    <td><strong>AI 代码采纳率</strong></td>
+    <td>30%</td>
+    <td>AI 生成的代码中经人工审查后直接合入的比例：合入的 AI 生成行数 ÷ AI 生成总行数</td>
+    <td>AI 工具平台 / Git diff 标注</td>
+    <td>≥ 60%</td>
+</tr>
+<tr>
+    <td><strong>PR 审查效率</strong></td>
+    <td>20%</td>
+    <td>PR 从提交到合并的平均耗时。统计口径：所有 Non-Trivial PR（排除仅改配置/版本号等）</td>
+    <td>Gitea / GitLab API</td>
+    <td>≤ 4 小时</td>
+</tr>
+<tr>
+    <td><strong>返工率</strong></td>
+    <td>15%</td>
+    <td>同一功能因质量问题需要重复修改的次数。统计方式：同一 Jira Issue 关联的 PR 被 Close Without Merge 后重新提交的次数</td>
+    <td>Jira + Git</td>
+    <td>≤ 1 次/功能</td>
+</tr>
+</tbody>
+</table>
+</div>
+
+<h3>实施细节</h3>
+
+<p><strong>需求→上线周期</strong>的自动采集方案：</p>
+
+<div class="code-snippet">
+<span class="cm"># 通过 Jira API + Gitea API 自动计算周期</span>
+<span class="cm"># 1. 从 Jira 获取 issue 状态变更历史，取 "In Dev" → "Done" 的时间差</span>
+<span class="cm"># 2. 从 CI/CD 日志中取首次部署成功的时间戳</span>
+<span class="cm"># 3. 计算 Δ = 部署时间 - 开始开发时间（仅计工作日）</span>
+<span class="cm"># 4. 每周自动生成报告，按团队/个人聚合</span>
+</div>
+
+<p><strong>AI 代码采纳率</strong>的标注方案：当前多数 Git 平台不自动区分 AI 生成 vs 人工编写的代码。推荐过渡期方案——在 PR 描述中增加标准化字段：</p>
+
+<div class="code-snippet">
+<span class="cm">## AI 协作声明（PR 模板必填项）</span>
+<span class="kw">AI 工具</span>: Claude Code / Cursor / Copilot / 无
+<span class="kw">AI 生成比例</span>: 大致占比（&lt;30% / 30-60% / &gt;60%）
+<span class="kw">审查结论</span>: 直接合入 / 小幅修改后合入 / 大幅重写
+</div>
+
+<p>每季度由技术 Leader 抽查 5-10 个 PR，人工校准 AI 生成比例的准确性，防止"少报 AI 使用量"的作弊行为。</p>
+</section>
+
+<!-- Section 4.4: 维度三——交付质量 -->
+<section id="p4-s4">
+<h2>维度三：交付质量（权重 25%）</h2>
+
+<blockquote><p>AI 辅助下代码写得快，但质量不能成为牺牲品。交付质量是"一票否决"的硬底线。</p></blockquote>
+
+<div class="table-wrap">
+<div class="table-caption">表：交付质量 — 三级指标</div>
+<table>
+<thead><tr><th style="width:16%;">指标</th><th style="width:10%;">权重</th><th style="width:26%;">测量方式</th><th style="width:14%;">数据来源</th><th>目标值</th></tr></thead>
+<tbody>
+<tr>
+    <td><strong>生产事故率</strong></td>
+    <td>45%</td>
+    <td>每 10 次生产部署中触发回滚或紧急修复（hotfix）的次数。事故等级按 P0-P3 加权：P0×10、P1×5、P2×2、P3×1</td>
+    <td>CI/CD Pipeline + 事故管理系统</td>
+    <td>≤ 0.5 次/10 部署</td>
+</tr>
+<tr>
+    <td><strong>测试覆盖率</strong></td>
+    <td>30%</td>
+    <td>AI 生成代码的自动化测试行覆盖率。区分于项目整体覆盖率——本指标仅统计 AI 参与的 PR 新增代码的测试覆盖</td>
+    <td>SonarQube / JaCoCo / Istanbul</td>
+    <td>≥ 75%</td>
+</tr>
+<tr>
+    <td><strong>代码可维护性</strong></td>
+    <td>25%</td>
+    <td>SonarQube Maintainability Rating（A-E 级）+ 技术债务比率（技术债务修复时间 ÷ 开发时间）</td>
+    <td>SonarQube / CodeGuru</td>
+    <td>A 级，债务比 &lt; 5%</td>
+</tr>
+</tbody>
+</table>
+</div>
+
+<h3>实施细节</h3>
+
+<p><strong>生产事故率加权计算</strong>示例：</p>
+
+<div class="code-snippet">
+加权事故分 = P0×10 + P1×5 + P2×2 + P3×1
+事故率 = 加权事故分 ÷ 近 30 天部署总次数 × 10
+
+示例：本月部署 40 次，发生 P2 事故 1 次、P3 事故 2 次
+事故率 = (1×2 + 2×1) ÷ 40 × 10 = 1.0 → 超标（目标 ≤ 0.5）
+</div>
+
+<p><strong>测试覆盖率</strong>的 CI 门禁集成：</p>
+
+<div class="code-snippet">
+<span class="cm"># .gitea/workflows/test.yml 中添加覆盖率检查</span>
+<span class="kw">- name</span>: Coverage Check
+  <span class="kw">run</span>: |
+    npx jest --coverage --coverageThreshold='{"global":{"lines":75}}'
+    <span class="cm"># 低于 75% → CI 标记为失败 → PR 无法合并</span>
+</div>
+
+<p>AI 生成代码的覆盖率应<strong>高于</strong>人工代码——因为 AI 擅长生成测试用例，这正是应该用 AI 补齐的短板。建议在每个 AI 辅助开发任务中，要求先写测试（TDD），再让 AI 生成实现代码。</p>
+</section>
+
+<!-- Section 4.5: 维度四——知识资产贡献 -->
+<section id="p4-s5">
+<h2>维度四：知识资产贡献（权重 10%）</h2>
+
+<blockquote><p>AI 时代最有价值的副产品是<strong>可复用的知识</strong>。一个开发者沉淀的 Prompt 模板、规约文件、私有组件，可以让整个团队受益。这 10% 的权重是"长期主义"的投资。</p></blockquote>
+
+<div class="table-wrap">
+<div class="table-caption">表：知识资产贡献 — 三级指标</div>
+<table>
+<thead><tr><th style="width:16%;">指标</th><th style="width:10%;">权重</th><th style="width:28%;">测量方式</th><th style="width:16%;">数据来源</th><th>目标值</th></tr></thead>
+<tbody>
+<tr>
+    <td><strong>Prompt 模板沉淀</strong></td>
+    <td>35%</td>
+    <td>贡献到团队共享 Prompt 库的有效模板数量。模板需包含：触发场景、完整 Prompt、预期输出示例。由 TL 审核后入库</td>
+    <td>团队 Prompt 库（知识库/飞书文档）</td>
+    <td>≥ 2 个/月</td>
+</tr>
+<tr>
+    <td><strong>项目规约完善</strong></td>
+    <td>35%</td>
+    <td>对项目 CLAUDE.md / .cursorrules / .github/copilot-instructions.md 等规约文件的更新次数和质量（按 commit 关联文件统计，需经 PR 审查合入）</td>
+    <td>Git 日志（限定规约文件路径）</td>
+    <td>≥ 1 次/月</td>
+</tr>
+<tr>
+    <td><strong>内部组件复用</strong></td>
+    <td>30%</td>
+    <td>将通用逻辑抽象为 <code>@mycompany/*</code> 私有 npm/Maven 包的数量，以及这些包被其他项目引用的次数</td>
+    <td>私有仓库下载统计</td>
+    <td>≥ 1 个包/季</td>
+</tr>
+</tbody>
+</table>
+</div>
+
+<h3>实施细节</h3>
+
+<p><strong>Prompt 模板</strong>的准入标准（TL 审核 checklist）：</p>
+<ul>
+    <li>模板必须有明确的触发场景说明（"当你需要 XXX 时使用此模板"）</li>
+    <li>模板必须包含完整的、可直接复制使用的 Prompt 文本</li>
+    <li>模板必须有一个真实使用案例作为预期输出示例</li>
+    <li>模板需标注适用的 AI 工具（Claude Code / ChatGPT / Copilot 等）</li>
+</ul>
+
+<p><strong>项目规约完善</strong>的统计方式：通过 Git log 自动提取，限定以下文件路径模式：</p>
+
+<div class="code-snippet">
+<span class="cm"># 被统计的规约文件 glob pattern</span>
+**/CLAUDE.md
+**/.cursorrules
+**/.cursor/rules/*.mdc
+**/.github/copilot-instructions.md
+**/DESIGN_TOKENS.md
+</div>
+
+<p>规约修改按以下规则计分：补充新章节（3 分）、修正错误（2 分）、格式优化（1 分）、纯拼写修正（0.5 分）。月度累计 ≥ 5 分视为达标贡献。</p>
+</section>
+
+<!-- Section 4.6: 数据采集与考核落地 -->
+<section id="p4-s6">
+<h2>数据采集与考核落地</h2>
+
+<h3>6.1 自动化数据采集架构</h3>
+
+<div class="tree">
+数据源层
+├── Gitea/GitLab API  → commit / PR / MR 数据
+├── Jira / 飞书项目 API → 需求状态流转、评审记录
+├── CI/CD Pipeline    → 构建成功率、测试覆盖率、部署频率
+├── SonarQube API     → 代码质量分、技术债务指数
+├── AI 工具平台        → AI 生成代码量、采纳率、对话轮次
+└── 事故管理系统       → 生产事故等级、回滚记录
+
+采集层（每周自动运行）
+├── Python/Node 脚本定时拉取各平台 API
+├── 数据清洗 + 去重 + 归一化
+└── 写入数据仓库（PostgreSQL / ClickHouse）
+
+展示层
+├── Grafana Dashboard → 实时团队/个人趋势面板
+├── 周报自动生成      → 每周一自动推送到飞书群
+└── 季报综合评估      → 作为绩效考核的量化输入
+</div>
+
+<h3>6.2 考核节奏设计</h3>
+
+<div class="table-wrap">
+<table>
+<thead><tr><th style="width:12%;">频率</th><th style="width:26%;">内容</th><th style="width:20%;">数据来源</th><th>执行方式</th></tr></thead>
+<tbody>
+<tr>
+    <td><strong>周维度</strong></td>
+    <td>PR 审查时间、AI 采纳率、部署频率</td>
+    <td>全自动化采集，Grafana 面板展示</td>
+    <td>Leader 不做人工评判，仅观察趋势。异常值（如 AI 采纳率突降 50%）触发 1:1 沟通</td>
+</tr>
+<tr>
+    <td><strong>月维度</strong></td>
+    <td>需求→上线周期、返工率、Prompt 模板贡献数</td>
+    <td>自动化 + 人工校准</td>
+    <td>Leader 在月度 1:1 中与员工一起过数据：讨论改进点、调整下月目标、识别培训需求</td>
+</tr>
+<tr>
+    <td><strong>季维度</strong></td>
+    <td>生产事故率、代码可维护性、内部组件复用、综合评分</td>
+    <td>自动化 + TL 评审</td>
+    <td>决定绩效等级（S/A/B/C）。需校准会（Calibration Meeting）确保跨团队公平</td>
+</tr>
+</tbody>
+</table>
+</div>
+
+<h3>6.3 综合评分公式</h3>
+
+<div class="box box-info">
+    <h4>📊 季度绩效总分计算</h4>
+    <p><strong>总分 = 需求转化 × 0.35 + AI 效能 × 0.30 + 交付质量 × 0.25 + 知识贡献 × 0.10</strong></p>
+    <p>每个维度得分先标准化为 0-100 分（基于团队内百分位排名），再按权重加总。</p>
+</div>
+
+<div class="table-wrap">
+<div class="table-caption">表：绩效等级划分</div>
+<table>
+<thead><tr><th>等级</th><th>分数区间</th><th>比例</th><th>含义</th></tr></thead>
+<tbody>
+<tr><td>S</td><td>≥ 90 分</td><td>≤ 10%</td><td>卓越——在 AI 协同下持续超预期交付，并贡献了可复用的团队资产</td></tr>
+<tr><td>A</td><td>75-89 分</td><td>~30%</td><td>优秀——熟练使用 AI 工具，交付质量和效率均高于团队平均水平</td></tr>
+<tr><td>B</td><td>60-74 分</td><td>~50%</td><td>合格——能使用 AI 工具完成工作，但尚未形成高效协作模式</td></tr>
+<tr><td>C</td><td>&lt; 60 分</td><td>≤ 10%</td><td>需改进——AI 采纳率低、质量事故频发、或方案反复返工。触发 PIP</td></tr>
+</tbody>
+</table>
+</div>
+</section>
+
+<!-- Section 4.7: 红线机制与原则 -->
+<section id="p4-s7">
+<h2>红线机制与关键原则</h2>
+
+<h3>7.1 红线指标（触发一票否决）</h3>
+
+<div class="table-wrap">
+<table>
+<thead><tr><th>红线行为</th><th>触发条件</th><th>后果</th></tr></thead>
+<tbody>
+<tr>
+    <td><strong>AI 代码未经审查上线</strong></td>
+    <td>生产事故复盘发现 AI 生成的代码未经 Code Review 直接部署，且该代码是事故根因</td>
+    <td>当季度绩效降一级；两次触发 → 取消当年晋升资格</td>
+</tr>
+<tr>
+    <td><strong>连续两季 AI 采纳率 &lt; 30%</strong></td>
+    <td>排除非编码角色（售前/PM/应用顾问），仅适用于开发顾问。统计口径：所有个人提交的 PR 中 AI 参与比例</td>
+    <td>启动"AI 能力辅导计划"，由 TL 手把手带教 4 周。辅导后仍不达标 → 重新评估岗位匹配度</td>
+</tr>
+<tr>
+    <td><strong>数据造假</strong></td>
+    <td>虚报 AI 采纳率、篡改 Prompt 模板贡献记录、人为降低返工率统计等</td>
+    <td>当季度绩效直接判定为 C，通报批评</td>
+</tr>
+</tbody>
+</table>
+</div>
+
+<h3>7.2 四大关键原则</h3>
+
+<div class="box box-idea">
+    <h4>原则一：不看产出量，看产出价值</h4>
+    <p>一个 50 行修了一个关键 Bug 的 PR，价值远大于 AI 批量生成的 3000 行 CRUD 代码。考核体系必须把"影响力"权重置于"数量"之上。建议引入<strong>功能影响力评分</strong>——由需求方（产品/业务）在功能上线后打分（1-5 分），作为质量维度的乘数。</p>
+</div>
+
+<div class="box box-warn">
+    <h4>原则二：AI 是工具不是替罪羊</h4>
+    <p>"这是 AI 写的"不能作为质量问题的借口。Code Review 的责任人是提交者，不是 AI。任何被合入的代码——无论来源——其质量责任完全由提交者承担。这条原则必须在团队文化中反复强化。</p>
+</div>
+
+<div class="box box-info">
+    <h4>原则三：Leader 从"监工"转向"教练"</h4>
+    <p>考核的目的不是惩罚，而是帮助团队成员更好地利用 AI。Leader 的核心工作变成：观察每个人的 AI 协作模式 → 识别低效模式 → 提供针对性的 Prompt 技巧指导 → 推广高效模式到全团队。月度 1:1 的主题从"你的产出够不够"转变为"你的 AI 用得够不够好"。</p>
+</div>
+
+<div class="box box-good">
+    <h4>原则四：渐进过渡，不搞休克疗法</h4>
+    <p>新考核体系的推行应分三步走：</p>
+    <p><strong>第 1-2 月（影子运行期）</strong>：新老体系并行运行，新体系数据仅用于观察和校准，不影响实际绩效和薪酬。核心目标是验证数据采集管道的准确性。</p>
+    <p><strong>第 3-4 月（过渡期）</strong>：新体系占 30% 权重，老体系占 70%。开始用新数据指导月度沟通。</p>
+    <p><strong>第 5 月起（正式运行）</strong>：新体系占 100% 权重，老体系退出。每季度根据实际运行数据微调权重。</p>
+</div>
+
+<h3>7.3 考核体系的季度审视</h3>
+
+<p>AI 工具每个月都在进化，考核标准必须同步演进。建议每季度末由 AI 转型推进小组主持"考核体系审视会"：</p>
+
+<ul>
+    <li><strong>审视数据质量</strong>：各数据源的采集是否准确？有无系统性的数据缺失或偏差？</li>
+    <li><strong>审视指标有效性</strong>：各指标是否仍然与业务价值正相关？有无出现"指标达标但业务没变好"的 Goodhart 效应？</li>
+    <li><strong>审视权重合理性</strong>：权重分配是否仍然反映当下的工作重心？是否需要调整？（例如当团队 AI 协作成熟后，知识贡献的权重可以从 10% 逐步提升到 15%）</li>
+    <li><strong>审视红线适用性</strong>：红线门槛是否需要调整？有无新增的红线行为需要纳入？</li>
+</ul>
+
+<div class="box box-info">
+    <h4>📌 本篇维护说明</h4>
+    <p>本考核体系为 V1.0 版本。随着 AI 工具能力跃进（如 AI Agent 自主完成需求分析）和组织 AI 成熟度提升，考核框架需持续迭代。建议不晚于 2026 年 Q4 进行首次全面修订。</p>
+</div>
+
+</section>
+
 <!-- ===== FOOTER ===== -->
 <footer class="footer">
     <p>研发型企业 AI 转型方案 · 上海电气集团数字科技有限公司 · 大客户及解决方案中心</p>
-    <p>v1.0 · 2026-05-30 · 工具矩阵 × 培训体系 × 售前交付方法论</p>
+    <p>v1.1 · 2026-05-31 · 工具矩阵 × 培训体系 × 售前交付方法论 × 绩效评估体系</p>
 </footer>
 
 </main>
