评测基线：首跑 A/B/C 三轮，记录分数与口径缺陷 #14

首次跑通 evals/runbook.md 的三种问法，记录评测基线。

要解决什么

v1.0.0 发版前需要一份可复核的基线：改 skill 之后能看出「是变好还是变坏」。目前仓库里有 ground-truth / rubric / runbook / 样本，唯独没有跑出来的分数。

产出

• evals/baseline.md：三轮的逐条对照、评分、结论。

关键事实

• 三轮分别走快模式 / 按七维审 / 模块体检，档位分流全部正确：快模式那轮输出紧凑列表 + 一句结论，没有套六段骨架。
• 命中覆盖：快模式 54%、两轮全量 71% / 79%（v1 口径）。
• 归类质量三轮接近（66.7% / 68.8% / 68.8%，按已报条目算）——差距主要在命中覆盖，不在判级能力。
• 三轮共同漏掉的只有 G4、G8 两条，而这两条恰好是标准答案本身站不住的那两条（详见下节）——漏报不是 skill 的系统性短板。
• 2/3 轮把「两个包都叫 package shop」报成了问题，这正是「不该报」清单里点名的口味问题，边界没守住。
• 标准答案漏了 13 条真缺陷（三路合计发现，全部可复核），当前 12 分制只覆盖样本真实缺陷的一部分，基线偏乐观。

顺带暴露的标准答案缺陷（本 issue 只记录，不在本次改）

1. G4 判定有误：源码那句承诺有限定语「read-only with respect to the order store」，写 c.Processed / c.Stats 不违反它（那是 Checkout 自己的字段，不是订单存储）。三轮里两轮明确判定该承诺成立并给了推理，是标准答案把「有副作用」等同于「违反 read-only 承诺」。
2. G8 与 skill 自己的细则冲突：references/dimensions.md 第 5 维「算」条款说「会随版本变化」的要报，「不算」条款把「7 天」列为真不变量——退款窗口正是这种业务政策值。B、C 两轮都按「不算」条款判了「硬编码：无发现」，依据明确。是细则自相矛盾，不是模型做错。

这两条已单独开票处理（见关联 issue）。本 issue 的基线分数按**修前的标准答案（v1）**记录，baseline.md 里另附 v2 口径复算。

验收标准

• evals/baseline.md 在仓库里，可复核：每个分数能追溯到 GT 条目与三轮原始输出。
• 写明方法论局限（样本与标准答案同一人写、单轮无方差、快模式轮 GT 覆盖天然不全）。
• 三轮原始输出留在仓外，不进版本控制。