docs: 读标抽取现状、遗留问题和下一步；改正「三项目标全部达标」的说法

- 新增 docs/architecture/extract-status.md：指标两种读法（报告值 / 只按人工标注）、
  已确认的进展、泛化风险（Fable 过拟合评估）、P0–P3 遗留问题、找样本和建留出集的流程
- extract-eval.md、AGENTS.md、架构 SK13、evals/README.md 改正达标说法并指向新文档
- 读标召回率优化暂停，后续专项优化从 extract-status.md 接着做

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

docs/architecture/extract-eval.md

@@ -1,6 +1,6 @@
 # 读标抽取评测：S01–S10 标注集 v1（2026-11-03）
 
-> **修复后的结果见 §7**：F1–F8 和四个口径问题已经处理，三项目标全部达标。§1–§6 是修复前（base）的评测，保留作对照。
+> **修复后的结果见 §7**：F1–F8 和四个口径问题已经处理。§7 的分数是在同一批 10 份样本上调出来、又用这批样本评的，评分脚本里还有两条「按定义算对」的规则，**不能当作达标的证据**。只按人工标注算的分数、泛化风险和下一步见 `extract-status.md`。§1–§6 是修复前（base）的评测，保留作对照。
 
 > 范围：读标（M2）的五类清单抽取和项目基本信息，在 S01–S10 上的召回率和准确率。
 > 模型：DeepSeek Flash 不思考模式（决策 M1，不再对比 Pro 和思考模式）；提示词 substantive v4、qualification / scoring / schedule / tech_param v3、project_info v2；代码版本 f99bb8b。
@@ -162,6 +162,8 @@
 
 F1–F8 全部实现，四个口径按建议执行（决策 Q1–Q4）。改完先请 Fable 当顾问审读（§7.3），改了它指出的问题，再跑两轮。
 
+> **注意（同日复核）**：下表「修复后」一列，实质性条款准确率里有 320 条是评分脚本按定义算对的（★ 节、法规无效），只按人工标注算是 72.4%；标注类召回按 S02 的原标注算是 98.9%；资格、日期的准确率含 AI 裁定补标。详见 `extract-status.md` §2。
+
 ### 7.1 结果
 
 | 指标 | 目标 | 修复前（base） | 修复后（fix3） |