评测功能设计：Coze Loop 与 Langfuse

Coze Loop 实验把评测集、评测对象和评估器钉在一起。

Langfuse 得分是公共结果。规则决定评估器何时跑。

Coze Loop 提交实验后，服务端先调评测对象，再调评估器。

Langfuse 已有 trace 可以先打分。实验是另一次模型调用。

Coze Loop 写入顺序

Langfuse 写入顺序

人工标注跳过执行队列，tRPC 直接 upsertScore。