docs: 查标评测试跑结果（开发集 S02、S04、S10）和发现

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

AGENTS.md

@@ -206,4 +206,5 @@ samples/
 - 2026-11-03：读标召回率优化暂停。现状、遗留问题（含泛化风险）和下一步整理在 `docs/architecture/extract-status.md`；后续专项优化先建留出集（多省份、招标投标体系、扫描件）并人工标注。
 - 2026-11-04：查标（M3）实现计划 v0.2（`docs/architecture/m3-plan.md`）。请 Fable 做顾问深读参考项目的查标实现（`ref-bid-engine-analysis.md` §6），对照读标教训复评；C1–C11、SK1、SK2 全部按建议确认（`docs/decisions.md`）。要点：先建评测集再写规则，金标准是虚构投标文件的响应清单；每条清单项都留带证据的结论（新增 `check_item_result`）；成本靠按章节打批、硬预算和复查复用结果控制；认不出、没查的都写进检查覆盖范围。用户的真实国动投标文件留到第 3 步冻结代码后再用。
 - 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。
-- 下一步：查标第 0 步（评测集：问题分类表、响应清单格式、留出集），再做第 2 步（投标侧结构识别和规则）。
+- 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。
+- 下一步：用户填复核抽查表（`evals/out/check/review/spot-check.md`）；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）。