"""评测(docs/design/next-round/01-效果度量与回归评测.md):一把尺——题集 + 由 SQL / 口径算出的期望答案。 第 2 波(这一包): - suites.py、cases.py:题集和题目的形状与校验(数值期望不许人填,评测-D4;只做单轮,评测-D12)、题目指纹; - gold.py:期望答案的三种来源(SQL 题、口径题、从运行认定)、变量按截至时间渲染、试算、作答前后各算一次、口径升版处置; - snapshots.py:目录快照(当前目录 / 影子起草); - transfer.py:题集导出导入(按数据源名对上,不含期望值、答案、运行)。 第 3 波接着写 runner(后台评测)、score、stats、compare、cleanup;第 4 波是界面。接口在 app/api/evals.py(只给搭建者)。 """