benchmark Group C：基线运行器 + 统一 BenchmarkRunRecord + 报告/回放（Closes #21）

在去中心化重构之上落地 benchmark 对比管线：5 个系统（single/strong/chain/sub_agent/swarm）
跑同一任务集、同一执行后端，产出统一 BenchmarkRunRecord → 评估器算 G_E/G_E,c → 报告 + 回放。

- benchmark/runners/：backend（Offline 确定性 / OpenAI 真实）+ base + 5 个 runner。各 runner
  用 held-out fixture 测试在 Group B 沙箱里评分得 TestPassRate（权威，非自评）。
- benchmark/tasksets/：统一任务集 + 加载器（coding-set-1，1 个 fixture）。
- benchmark/reports/、benchmark/replay/：G_E/G_E,c/coverage/confidence + 归档。
- benchmark/baselines/comparison.py：BenchmarkRunRecord 的 CodeReview/UserAcceptance 改为
  Optional（掩码归一，未采集即 None，规则 #9）。
- scripts/run-benchmark-suite.py harness + scripts/test-benchmark-runners.py。

与去中心化重构对齐：swarm runner 拓扑已**重指向去中心化流程**（种子→自选→自主分解→竞争→
同伴交叉评审→收敛，calls=6/review=1），非旧 Master「分解→派发→单评审」。仍用同一离线后端
建模以保证公平对比（驱动活体编排器会换后端→记录不可比；活体全流程由 test-workflow-e2e 验证）。

沙箱适配：runner 评分走 fail-closed 沙箱（#24），故 test + CI 步骤设 HEICODE_SANDBOX_ISOLATED=1
（仅 CI/隔离 Pod）。

影响范围：agent_swarm（benchmark 层 + 测试 + docs + CI）。不碰 orchestrator 编排逻辑、
不改 Manager↔Swarm 契约、不影响 Client/计费/密钥/审计/发布链路。

诚实边界：
- **离线后端只验证管线**：所有系统拿同一参考解 → quality 相同 → G_E=0、swarm_valid=False，
  刻意不显示蜂群优势（反造假）。真实 G_E>0 需 --backend openai + 足量冻结任务集 + 多次运行。
- 故 Closes #21（运行器 + 统一记录已落地并产出合规非 NaN 记录）；Refs #20（仅 1/5 场景）、
  Refs #22（评估器/报告/回放已建，但 Quality 仅 TestPassRate，CodeReview/UserAcceptance 缺）、
  Refs #13（验收 EPIC，需真实 run 证明 Swarm>baselines，未满足）。

Closes #21
Refs #20
Refs #22
Refs #13

Co-Authored-By: Claude Opus 4.8 (1M context) <noreply@anthropic.com>

scripts/run-benchmark-suite.py

@@ -0,0 +1,65 @@
+"""Benchmark suite harness (#13/#21/#22): run a task set through all 5 systems → report.
+
+Default backend is OFFLINE (hermetic, key-free) — it validates the whole pipeline but, by design,
+shows NO swarm quality advantage (every system gets the same reference solution). REAL G_E numbers
+require `--backend openai` with OPENAI_API_KEY set and a sufficiently large, frozen task set.
+
+Grading executes generated code in the fail-closed sandbox, so HEICODE_SANDBOX_ISOLATED must be
+set (only inside an isolated pod / ephemeral CI runner — see security-boundary §8.1).
+
+Usage:
+    HEICODE_SANDBOX_ISOLATED=1 python scripts/run-benchmark-suite.py --taskset coding-set-1 \
+        [--backend offline|openai] [--archive runs/<label>] [--run-label <label>]
+"""
+import argparse
+import sys
+from pathlib import Path
+
+# Markdown rendering uses ✅/🔴/⚠️; force UTF-8 so it prints on a Windows GBK console too.
+try:
+    sys.stdout.reconfigure(encoding="utf-8")
+except Exception:
+    pass
+
+sys.path.insert(0, str(Path(__file__).resolve().parents[1]))
+
+from benchmark.tasksets import load_taskset, available_tasksets
+from benchmark.runners import run_all, OfflineBackend, OpenAIBackend
+from benchmark.reports import build_report, render_markdown
+from benchmark.replay import save_archive
+
+
+def main() -> int:
+    ap = argparse.ArgumentParser(description="Run the benchmark suite (swarm + 4 baselines).")
+    ap.add_argument("--taskset", default="coding-set-1", help=f"one of: {available_tasksets()}")
+    ap.add_argument("--backend", choices=["offline", "openai"], default="offline")
+    ap.add_argument("--n-runs", type=int, default=1)
+    ap.add_argument("--archive", default=None, help="directory to write the replay archive into")
+    ap.add_argument("--run-label", default="run-1", help="archive subdir name (deterministic)")
+    args = ap.parse_args()
+
+    taskset = load_taskset(args.taskset)
+
+    if args.backend == "openai":
+        backend = OpenAIBackend(price_per_1k_tokens=0.0006)
+        strong_backend = OpenAIBackend(model="gpt-4o", price_per_1k_tokens=0.005)  # bigger model
+    else:
+        backend = OfflineBackend(cost_per_call=0.002)
+        strong_backend = OfflineBackend(cost_per_call=0.01)  # "stronger" = costlier
+
+    records = run_all(taskset, backend, strong_backend=strong_backend)
+    report = build_report(records, backend_name=args.backend, n_runs=args.n_runs)
+
+    print(render_markdown(report))
+    if args.archive:
+        path = save_archive(args.archive, args.run_label, records=records, report=report)
+        print(f"\narchived → {path}")
+
+    if args.backend == "offline":
+        print("\nNOTE: offline backend — pipeline validation only, NOT a real comparison "
+              "(no swarm advantage is or should be shown). Use --backend openai for real G_E.")
+    return 0
+
+
+if __name__ == "__main__":
+    sys.exit(main())