dp-eval-run — 批量评测 + 两轮对比

补上闭环的最后一步：取证定位 → 修复（改知识库/配置）→ 回归验证。像食品加工机的 出厂质检：同一批问题丢进去跑两轮，diff 报告直接告诉你哪几道工序退步了。

判分刻意从简（标记命中 + 禁词 + 长度 + 延迟）；深度语义判分属于 agent-eval 仓库或人工。

用法

S=C:/code_proj/github-proj/wangxin/skills/skills/company/dp-eval-run/scripts

# 跑一轮（本地，默认 env=prod；--model 不传时用 ask 脚本的默认 DeepSeek）
python $S/run_eval.py --source local --env prod \
  --questions q.json --label baseline \
  --working-dir "C:/code_proj/tmp/mes-file-card5"