docs(evals): S01–S10 标注集 v1、评测工具和评测报告

- evals/gold：1,887 个标注单元（AI 标注、逐条裁定，未经人工复核），规范见 GUIDELINES.md
- prepare / run_all / score / gold：导出文字层、批量抽取、打分、标注定位
- docs/architecture/extract-eval.md：修复前后的结果（三项目标全部达标）和剩余问题
- decisions.md 记 M1（只用 Flash）和 Q1–Q4；架构 §13 SK13；AGENTS.md 进度

Co-Authored-By: Claude Opus 5.5 <noreply@anthropic.com>

docs/decisions.md

@@ -4,6 +4,25 @@
 
 ---
 
+## Q1–Q4 · 2026-11-03 · 实质性条款的四个口径：全部按建议
+
+依据 `docs/architecture/extract-eval.md` §5（S01–S10 标注时遇到、规范里没定的情形）。
+
+| # | 决策 | 理由 |
+|---|---|---|
+| Q1 | ★ 标在节标题上（「三、★商务要求」「★（一）技术要求」），节里的条款都是实质性要求 | 文件自己这样声明（S01 还写明商务条款负偏离即无效）；节的范围到下一个同级编号为止 |
+| Q2 | 文件把 ★ 定义成计分项（「加★为核心技术参数」、不满足只扣分），而且没有任何地方说 ★ 是实质性要求或写明无效后果，★ 降为「重要」，标注规则记 meaning = important | 否则用户会把扣分项当成废标项（S02）。条件从严：要有计分证据、全文没有带 ★ 的后果写法，拿不准就按实质性 |
+| Q3 | 文件声明「必须」「应」字样的要求都是实质性要求时（S07），只在文件层面记一条标注规则（marker = keyword），不逐句抽 | 逐句抽会把几百条一般要求都标成致命，清单失去意义 |
+| Q4 | 政府采购项目的资格条件一律带「无效」类别，重要性依据记 statute | 87 号令第六十三条：不具备招标文件规定的资格要求的，投标无效；磋商同理。这是现行规定，不是草案层 |
+
+- **影响**：`extract.build_doc`、`structure.star_sections`；界面上 statute 来源的「无效」要和「文件写明」分开展示（查标阶段做）。
+
+## M1 · 2026-11-03 · 抽取模型只用 Flash，靠规则和提示词优化
+
+- **决策**：读标的全部抽取任务都用 DeepSeek Flash 不思考模式（`deepseek-chat`，接口返回 `deepseek-flash`），不再对比 Pro 和思考模式。提升效果只在规则（校验、兜底、文字层、结构识别）和提示词之间做。
+- **理由**：SK11 在实质性条款任务上比较过 Flash 不思考、Flash 思考（`deepseek-reasoner`）和 `deepseek-v4-pro`，抽到的条款大体一致、互有多少，后两者慢 15～45 倍，输出 token 多 7～12 倍，看不出更准。
+- **影响**：S01–S10 标注集评测只跑 Flash 基线，用来找规则和提示词的问题；按能力路由（`BD_AI_MODELS`）的机制保留，不配置。tech-validation §4.3 里「D2 定价前补测 Pro 或思考模式」不再做。
+
 ## API1–API5 · 2026-11-03 · 接口契约的取舍：全部按建议
 
 依据 `docs/architecture/api-design.md` §9；契约文件 `openapi.yaml`。