评测失败归因助手

先分类，再修复

一个失败结果不能直接推出业务代码需要修改。应按证据依次核对版本、用例、执行状态、Trace、工具结果、Judge 输入和数据源。

推荐分类

• execution：超时、会话未完成、任务未领取、重试耗尽。
• data：数据源、查询口径、动态预期或脱敏问题。
• case：问题歧义、expected 过时、样本不代表业务。
• metric：指标定义或适用性错误。
• judge：裁判漂移、证据不足、格式错误。
• environment：模型、依赖、权限、网络或配置问题。
• product：真实业务实现退化。

输出

每个失败项都要包含证据、假设、下一步验证和责任边界。未验证的推断标记为待确认，不自动改用例或修改业务代码。