feat(axbuild): grade review bench cases with same agent

[ZR233]

问题

现有 Review Bench 的 grader 依赖 case 中面向评分器的 match_if，并且只允许一个 candidate finding 命中一个 expected finding。Reviewer 与 grader 还可以分别指定 agent、model 和 reasoning effort，导致评分配置与实际审查配置不一致，也无法正确评价多条审查意见共同识别同一底层问题的情况。

修改

• 强制 reviewer 与 grader 使用完全相同的 agent、model、reasoning effort 和 timeout 配置。
• 每个 case 在 review 完成后启动一个全新、无会话继承的 grader 进程。
• Grader 的上下文输入仅包含：
  • known_findings.json：case 的全部已知问题。
  • candidate_findings.json：reviewer 输出的全部 findings。
• 将评分结果改为整 case 多对多语义匹配：
  • 多条 candidate 可以共同命中一个 expected。
  • 同一 candidate 可以匹配多个 expected。
  • 未匹配 candidate 仅计入 extra_findings，不影响 recall gate。
• 对遗漏/重复 expected、越界或重复索引、空 reason 做严格失败处理。
• 删除 CLI 中的 grader override 参数，并从 case schema 和现有 TOML 中移除 match_if。
• 新增 PR feat(tools): add qperf profiling harness #1039 大文件/大结构体 benchmark case，已知 finding 只保留 reviewer 可从 PR 快照推断的事实。
• 增加 scoring、CLI 和 mock agent 测试，覆盖联合命中、共享 finding、全部未命中、零 candidate 以及非法 grader 输出。

实现逻辑

评分器只判断 candidate 是否识别了同一底层缺陷或实质风险，不要求相同措辞、精确行号、完整影响或指定修复方案。每个 expected 的 finding_indices 非空即记为 caught；所有匹配数组的 candidate 索引并集用于排除 extra_findings。

这种设计保持 recall 的含义为“是否发现已知问题”，同时把额外发现单独呈现，避免把尚未验证真伪的额外意见误当成 false positive。

验证

• cargo fmt --all --check
• cargo xtask agent-review-bench check：5 个 case 全部通过
• cargo xtask clippy --package axbuild
• cargo test -p axbuild agent_review_bench：仓库现有测试模块缺少 QemuConfig import，直接编译会被该基线问题阻断；临时补充 import 后本次 25 个定向测试全部通过，临时改动未纳入提交
• Codex high 运行 feat(tools): add qperf profiling harness #1039：recall 1/1 (100%)，extra_findings = 5
• Claude high 运行 feat(tools): add qperf profiling harness #1039：recall 1/1 (100%)，extra_findings = 4
• Claude grader 使用两个 candidate findings 联合命中同一个 expected，验证整 case 多对多匹配路径