用途：在修改 runner/models/guidelines.ts 后，通过运行评测对比改动前后的表现，确认指南改动带来改进且不导致其他模型回归。
主要能力：对每个模型分别用“改动前”和“改动后”指南各跑一次评测，比较结果，找出由通过变为失败的回归项及由失败变为通过的改进项，并给出“Safe to commit”或“REGRESSIONS DETECTED”的结论。
使用方式：先确定被修改的指南段落；生成前、后两份指南 Markdown（可运行 bun run buildRelease.ts 得到 dist/AGENTS.md 作为前值，或写入临时文件）；按需用 --filter 选择受影响的评测类别，用 --models 指定模型（默认 claude-sonnet-4-5、claude-opus-4-6、gemini-3-pro-preview、gpt-5.2-codex，缺 API key 的模型会被跳过）；然后执行：
bun run validate:guidelines --before <before.md> --after <after.md> --models claude-sonnet-4-5,gpt-5.2-codex --filter "002-queries"
可选 --output <path> 指定 JSON 摘要输出，默认写入 guideline-validation/results/<timestamp>.json。运行需在后台启动并轮询至结束，读取并分析完整结果后再汇报。
适用场景：提交指南编辑前，跨 sonnet、opus、gemini、chatgpt 等模型确认无回归。
限制：不要设置 CONVEX_EVAL_URL 或 CONVEX_AUTH_TOKEN，以保持结果本地；缺少对应 API key 的模型会被跳过；若仅单个模型单个评测回归，可能存在波动，可重跑确认。