[Evaluation SDK] CI向けバッチ評価導線を整備する

[NaoyaTakashima]

背景

SDK は単体メトリクス評価が中心で、CI で評価セットを実行し、閾値判定とレポート出力まで行う導線が弱い。

現状

• SDK には metric 単位の evaluate helper がある
• batch evaluation set、CI exit threshold、report artifact の導線は不足している
• 開発者向けユースケースを広げるには SDK / CI 連携が必要

対応方針

• 評価セット入力形式を定義する
• batch runner / CLI / example workflow のどれを MVP にするか決める
• 閾値判定と report artifact 出力を実装する

完了条件

• CI から評価セットを実行できる
• 閾値未満の場合に failure として扱える
• 結果を artifact として保存できる

関連コンテキスト

• SCREEN PoC / GENFLUX Evaluation 進化版に向けた改善タスク
• 既存コード確認済み repo: prd-genflux-evaluation-backend, prd-genflux-evaluation-frontend, genflux-python-sdk
• 直接実装に入る前に、必要に応じて設計メモ・UI仕様・trace schema を残す