LangSmith 评测中的 Jev 判官：轨迹标注不是单一通过/失败，而是多维打分

LangSmith 评测中的 Jev 判官把轨迹标注拆成多个问题，难度和正确性各自得到带类型的答案，且在一次 pass 中、对每条 trace 完成。该框架认为轨迹标注需覆盖任务难度、方案正确性、设计选择多样性和思考方向等维度，规模化标注百万级 agent 及其子 agent 的 token 成本仍待大幅降低。