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>

evals/run_all.sh

@@ -0,0 +1,18 @@
+#!/usr/bin/env bash
+# 对 S01–S10 跑全部抽取任务（输入是 prepare.py 生成的规范化 PDF），结果在 evals/out/runs/<名字>/<ID>/。
+# 用法（仓库根目录）：evals/run_all.sh <名字> [run_extract.py 的其他参数]
+# 换模型：BD_AI_MODELS='{"reasoning": "deepseek-v4-pro"}' evals/run_all.sh pro
+set -euo pipefail
+name=$1; shift
+root=$(cd "$(dirname "$0")/.." && pwd)
+cd "$root/server"
+for id in S01 S02 S03 S04 S05 S06 S07 S08 S09 S10; do
+  echo "$id"
+  ../.venv/bin/python ../evals/run_extract.py "../evals/out/docs/$id/normalized.pdf" "../evals/out/runs/$name/$id" "$@" \
+    > /dev/null 2> "../evals/out/runs/$name.$id.log" &
+  # 同时最多 3 份（每份内部 8 路并发调用模型）
+  # macOS 的 bash 3.2 在 $(…) 子 shell 里看不到后台任务，先写到文件再数
+  while jobs -r > "$root/evals/out/runs/.jobs" && [ "$(wc -l < "$root/evals/out/runs/.jobs")" -ge 3 ]; do sleep 2; done
+done
+wait
+echo done