[chore][P2] Adopt SWE-bench evaluation framework — measure anet 真实 SWE 能力 baseline

[s2agi]

背景

anet 现在没有 standard evaluation framework 来 measure agents 在 software engineering 任务上的真实能力。所有判断（"agent 能解决问题"）都是观察性 + 主观印象，缺乏可比的客观指标。

触发点：通信工程马 #127 SWE-agent preview 调研发现 SWE-bench 是该领域的事实标准 benchmark：

• SWE-bench Verified（500 题 OpenAI 验证过的 GitHub PRs）
• SWE-bench Lite（300 简化题）
• 各 agent 在上面跑出 resolved rate（mini-swe-agent v2: 74%+ verified / Anthropic 内部数据 / etc.）
• 共同 measure 让不同 agent 架构能客观对比

需求

Adopt SWE-bench evaluation framework 让 anet 有 baseline：

1. 跑现状：anet 当前 default toolset（[bug][P0] 书生/intern 节点 (claude-agent-sdk runtime) 报「网络限制」无法访问外部 API/网络 #101 Option B Claude Code preset）在 SWE-bench Lite 上能解决多少题
2. 配置 variants：跑 1) minimal mode（如果 anet 后续加 minimal toolset 借鉴 mini-swe-agent）2) 默认 toolset 3) 多 agent commhub 协作（anet 差异化优势是否 measurable）
3. 持续 measure：把 SWE-bench 跑通成 CI / 周期性 measure（每个 preview promote latest 前跑一次），版本间能看到 regression / improvement
4. 公开 numbers：跑出的 resolved rate 公开（README badge / docs-site），作为 anet 客观能力背书

跟 #127 SWE-agent 调研关系

工程马 在 #127 preview 阶段 catch 了「SWE-agent 团队自己 pivot 到 mini-swe-agent」+「SWE-bench 是 eval framework」两个 insight。本 issue 跟 #127 配套：

• [research][P1] SWE-agent (Princeton) 调研 — 看有什么值得 anet 借鉴 #127 = 借鉴 SWE-agent / mini-swe-agent 设计 patterns
• [release][P0] v0.9.0 'Recovery & Observability' 规划 — agent-network 2.2.0 / agent-node 2.4.0 / dashboard 0.5.0 / commhub-server 0.8.1 #126 (this) = 借用 SWE-bench eval 测量 anet 真实能力

建议 #127 + 本 issue 同一 owner 同期做（通信工程马），fold-in 进 deep dive 5-7h 计划。

优先级 / Owner

P2（不阻塞 v0.9.0 promote，但是中长期 measurement infra）· Owner: 通信工程马（跟 #127 同期做）

期望产出

1. SWE-bench 跑通的 reproducible Docker / scripts（不污染生产）
2. 一份 baseline measurement report：anet default toolset 现状 resolved rate
3. 简短文档「如何为 anet 跑 SWE-bench eval」（docs-site）
4. （可选）CI integration 让每 promote latest 前自动跑

Related

• [research][P1] SWE-agent (Princeton) 调研 — 看有什么值得 anet 借鉴 #127 SWE-agent + mini-swe-agent 调研
• [bug][P0] 书生/intern 节点 (claude-agent-sdk runtime) 报「网络限制」无法访问外部 API/网络 #101 default toolset ([bug][P0] 书生/intern 节点 (claude-agent-sdk runtime) 报「网络限制」无法访问外部 API/网络 #101 Option B = Claude Code preset，本 issue measure 其真实效果)
• 未来 anet "minimal mode" 候选（mini-swe-agent 启发）
• 商业模式开源 + 卖课 — 公开 SWE-bench 数据是 thought leadership 关键 element（per A站运营马 launch blog 建议 + Vincent 自营运策略）

---

Reporter: 通信龙 per 工程马 #127 preview D3 decision · GO 后跟 #127 一起做