Refresh papers and define Agent evaluation

docs/04-evaluation-observability.md

@@ -74,3 +74,21 @@ follow_ups:
 - 是否错过了更便宜或更稳定的路径？
 - 是否产生了不可恢复的副作用？
 - 失败时，日志是否足够定位原因？
+
+## Versioned Evaluation Contract
+
+真实 Agent 评测还必须固定 task/fixture、模型、系统 prompt、工具 schema、工作区镜像、
+上下文和预算。最终成功由独立 validator 判断，而不是由 Agent 的完成声明判断。
+
+对 baseline 和 variant 做配对比较时，至少分开报告：
+
+- baseline fail -> variant pass: gain；
+- baseline pass -> variant fail: regression；
+- both pass；
+- both fail；
+- provider/infrastructure error。
+
+平均成功率不能掩盖 regressions，安全违规和 false completion 也不能被成本收益抵消。
+
+当前可执行设计见
+[K1412 Agent Evaluation v1](../research/evaluation/k1412-agent-evaluation-v1.md)。