Self-bench

Self-bench 从已经完成的本地 agent 会话或合并 PR 找到修改前 commit，自动构造隐藏测试和参考解，再证明原代码失败、参考解通过后导出 Harbor 包。难度分档至少要求 20、50、100 行实现改动并跨 1、2、3 条路径，测试与解答均不暴露给被测 agent。这条流水线让组织用自己的真实变更分布测 coding agent，同时降低公开 benchmark 被训练集记忆污染的问题。