docs: 查标评测开发集第一版（14 份投标文件）结果；汇总脚本 report.py

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

AGENTS.md

@@ -208,4 +208,5 @@ samples/
 - 2026-11-04：查标第 1 步（链路打通）完成：上传投标分册（类型、版本、加密格式识别）→ 检查（六个阶段，响应匹配先只有检索 + 模型判断，提示词 `check.match` v1）→ 每条清单项留带证据的结论 → 生成问题 → 逐条处理（致命确认无误要写说明并进误报反馈）→ 复查沿用状态；计费三种方式和失败退回都有测试，后端 80 个测试通过。前端加了上传投标文件并检查页和查标页。SK1、SK2 的补丁已做。真实模型在虚构样例上走通了链路，效果还没评。见 `docs/architecture/m3-plan.md` 进度一节。
 - 2026-11-04：查标第 0 步（评测集）。规范 v0.2（`evals/check/GUIDELINES.md`，Fable 审查后修改）：响应方式按「文件 × 类别」记，规矩投标文件靠构造保证，问题只挂复核过的要求，留出集词库和风格 C 封存。C12（响应方式）、E1（复核由 Fable 做、用户抽查 20%）已确认。开发集 S02、S04、S10 六份试跑（`docs/architecture/check-eval.md` §1）：查标召回 38%，规矩投标文件的误报大头是不需要响应的条目、表格里看不见同一行的响应格、扫描件和格式文件找不到。
 - 2026-11-04：用户抽查 Fable 的复核 17 条，全部同意。
-- 下一步：修评测集待修项、做风格 B、扩开发集；查标第 2 步（投标侧结构识别、规则、响应方式抽取）。
+- 2026-11-04：查标评测开发集第一版：7 份招标文件、14 份投标文件（风格 A / B 轮换），注入问题 222 个、Fable 复核通过 188 个。查标召回 40%（致命级 49%），带标志词的问题只有 22%；规矩投标文件报出 699 个问题，近一半在不需要响应的要求上（`docs/architecture/check-eval.md` §2）。
+- 下一步：用户填第二批复核抽查（`evals/out/check/review/spot-check-2.md`）；修评测集待修项；查标第 2、3 步按 check-eval §2.2 的顺序改（整行上下文 / 偏离表直取 → 响应方式 → 扫描件和 presence）。