[Grok/dsh 71] 固定任务集的真实模型评测

[Blackman99]

Parent

#132

Ticket: 71

Status: ready-for-agent

User Stories: 9, 33, 72, 74（见父规格）

What to build

维护者能以固定模型和配置评价实际 coding 任务完成质量，单独判断 dsh 接入是否影响效果。

Acceptance criteria

• 固定任务、输入仓库、模型/effort、工具能力、判分方式和费用批准范围，避免事后挑成功样本。
• 以测试/文件效果与任务成功判断质量，不按逐字回答或工具选择完全一致判失败。
• 区分模型波动、提示/工具适配缺陷和客户端问题，保留失败/取消证据而非只列均分。
• 不自行购买资源或开展未经批准的大批量付费评测；无可用凭据时标真实评测阻塞。

Blocked by

• [Grok/dsh 08] 多提供商模型与推理选项 #140 — Ticket 08: 多提供商模型与推理选项
• [Grok/dsh 37] 文件搜索与代码导航工具 #169 — Ticket 37: 文件搜索与代码导航工具
• [Grok/dsh 38] Shell 与交互终端执行 #170 — Ticket 38: Shell 与交互终端执行
• [Grok/dsh 40] dsh 子代理执行与任务视图 #172 — Ticket 40: dsh 子代理执行与任务视图
• [Grok/dsh 65] 用量、费用与跨入口统计 #197 — Ticket 65: 用量、费用与跨入口统计

Delivery contract

用户于2026-09-20批准当前测试与任务拆分。按父规格的已安装产物/真实终端和公开协议测试验收；实际实现须带适用的文档、Changeset及必要检查。ready-for-agent表示任务已定义，不表示前置任务已完成，也不授权自动开始本轮实施、购买付费资源或发布软件版本。