Eval Regression Gate trong CI

Bộ eval vàng chạy như test trong CI: mỗi lần đổi prompt hoặc model, hệ thống chạy lại toàn bộ eval, so điểm với baseline đã lưu, và chặn merge nếu điểm tụt quá ngưỡng; để chống nhiễu, cần chạy nhiều lần và so theo khoảng tin cậy thay vì so từng điểm đơn lẻ.