feat(evaluate): add Pass@N retry scheduler with VLM Judge

[Daiyimo]

新增评测模块 evaluate/，为任务执行引入 Pass@N 重试和 VLM Judge 自动判定能力：

• evaluate/runner.py：Pass@N 调度器，每次 attempt 后立即运行 Judge， Judge=pass 提前退出，Judge=fail 触发重试；自动检测阅读全文场景并注入 滑动约束，Judge model 名统一从 model_config.yaml 读取，代码零硬编码

• evaluate/judge.py：VLM Judge 核心，分级判定（ABORT/关键词→0次LLM， 有截图→全量VLM），截图与返回值交叉核验捕捉读图幻觉，LLM 调用失败 自动重试最多3次

• pu_client.py：截图分叉，每步截图同时缓存给 Judge（滚动保留最后5张）， return_log 新增 last_step_screenshot / history_actions / return_val， Judge 使用执行期真实截图而非事后延迟补截

• examples/run_single_task.py：接入新入口，终端报告独立分区展示 Agent 输出和 Judge 判定结果

• tools/ask_llm_v2.py：print 加 utf-8 容错，避免 Windows GBK 终端异常

• 极简运行指南_CN.md：补充第6节 Pass@N 评测入口使用说明