构建 Evals（评测体系）

这份 notebook 主要讲评测的基本要素（代码打分、人工打分、模型打分）以及如何把它们接入迭代回路。

先把最小 eval 跑通并能复现，再逐步扩充指标与样本覆盖。

• 对应 notebook：misc/building_evals.ipynb

读的时候重点看

• 指标要能映射到产品目标
• 数据集构建与打分逻辑分离
• 让 eval 可在 CI 中跑（快、可定位）

怎么在本地跑

make test-notebooks NOTEBOOK=misc/building_evals.ipynb