Refresh papers and define Agent evaluation

tools/evaluation/README.md

@@ -0,0 +1,24 @@
+# Evaluation Tools
+
+## `score_agent_runs.py`
+
+汇总一个或多个 Agent 变体的 JSONL 运行结果：
+
+```bash
+python3 tools/evaluation/score_agent_runs.py results.jsonl \
+  --baseline agent-loop-v3 \
+  --variant agent-loop-v4 \
+  --format markdown
+```
+
+它会分开报告：
+
+- strict success 和假完成；
+- provider/infrastructure error；
+- gains 和 regressions；
+- 成功率/假完成率的 Wilson 95% 区间，以及配对差异的精确检验；
+- 工具失败与恢复；
+- 安全违规；
+- p50/p95、Token 和工具调用。
+
+脚本给出的 promotion/reject 只是一条机械建议，最终决策仍需检查任务覆盖、统计区间和回归轨迹。