提示词评测接入 CI

要解决的是“提示词只改了一个词，旧场景却悄悄退化”。从真实失败记录中选 30 个样例，每个样例保留输入、预期结构和人工说明。

接入方式

CI 先跑结构校验，再计算和上一次的差异。对事实判断无法自动确认的样例，只生成待复核清单，不自动判通过。

复盘

每周移除已过时的样例并说明原因，避免测试集被单一历史问题绑住。