生产级LLM智能体的低成本评测

基于574次历史运行，比较抽样、缓存、固定子集和IRT自适应评测。

推荐理由：研究来自月活数万用户的真实分析智能体，并用时间切分检验574次历史运行；核心贡献是量化评测成本与稳定性的权衡，比静态基准更贴近持续发布决策。