Đo pipeline đầy đủ theo kịch bản

Chạy full pipeline (/chat) cho từng kịch bản, chấm cứng phần intent/thuốc/thuộc tính/trích dẫn, dùng LLM-judge cho phần nội dung bắt buộc/hành vi đặc thù. Dòng an toàn (Type 3) chỉ chấm đúng SafetyCategory/ResponseStatus.

Mỗi dòng gọi pipeline /chat thật, cộng thêm 1 lời gọi LLM-judge nếu có nội dung bắt buộc — chi phí cao nhất trong 4 loại eval.