feat(evals): Eval Harness — Recall@5, Task-Success, Staleness-Rate

[KniggeMS]

Ziel

Retrieval-Qualität, Task-Success und Staleness werden messbar und vergleichbar. Basis für Regression-Tests bei jeder Änderung.

Aufgaben

• Eval-Dataset anlegen (mindestens 20 Query/Expected-Pairs)
• lemma_eval_run Tool implementieren
• Metriken implementieren: Recall@5, MRR, Task-Success-Rate, Staleness-Rate
• Baseline messen (aktueller Stand vor V2.1)
• Regression Suite: Eval läuft bei jedem CI-Push
• Ergebnisse in docs/evals/results/ speichern

Referenz

Siehe docs/evals/benchmark-plan.md

Akzeptanzkriterien

• Recall@5 >= 0.80 nach V2.1
• Task-Success-Rate >= 0.75 nach V2.3
• Staleness-Rate <= 0.05 nach V2.2
• CI-Integration vorhanden