如何用评测失败样本定位该改 Prompt、词表还是代码

作者用 8 条测试从 v1 达标 6 条改到 v2 达标 8 条的例子，讲评测失败后如何判断该改哪一层。核心方法是按类别统计失败分布，全错判为 Prompt 或代码层缺指令，部分错判为词表漏覆盖，并给出一个 diagnose 函数实现该判别。