[Eval] Integrate Langfuse tracing and evaluation for Agent / Deep Research runs #14

Background

当前项目需要把 Agent / Deep Research 的运行过程和评测结果统一纳入 Langfuse，不能只记录最终文本，也不能只完成 SDK 初始化。目标是让一次真实研究任务从输入、检索、工具调用、模型生成、最终报告到评测结果都能在 Langfuse 中被追踪和复现。

Requirements

• 接入 Langfuse，至少覆盖一次 Agent / Deep Research run 的完整 trace。
• Trace 中需要有稳定的 run/session 标识，并可关联：
  • user query / task input
  • model / provider / prompt version（如可获取）
  • retrieval / search / tool calls
    -关键中间步骤或 agent spans
  • final answer / research report
  • token / latency / cost 等可获取指标
  • errors / retries
• 设计统一的 metadata / tag 约定，至少能够区分：
  • normal run
  • evaluation run
  • gold case id / dataset version
  • model / agent version
• 评测结果能够写回 Langfuse score / evaluation 体系，不应仅存在本地日志。
• 评测 score 至少预留并实现可落地的维度：
  • task / answer correctness（或业务目标达成）
  • groundedness / evidence support
  • citation / claim coverage（与 claim-evidence issue 对接）
  • tool/retrieval success
  • latency / token / cost 等工程指标
• Langfuse 不可用、网络异常或 telemetry 写入失败时，不应导致核心 Agent 任务整体失败；需要有明确降级策略。
• API key / secret 必须通过环境变量或现有 secret/config 机制读取，禁止提交到仓库。

Acceptance Criteria

• 本地/测试环境可以通过配置开启或关闭 Langfuse tracing。
• 一次真实 Deep Research 运行可以在 Langfuse 中看到完整 trace，而不是只有单个 LLM span。
• Trace 能关联输入、检索/工具、最终报告及 run metadata。
• 至少 2 个评测 score 能真实写回对应 trace/run，其中至少包含 groundedness 或等价的 evidence support 指标。
• evaluation run 能关联到具体 gold case id / dataset version。
• Langfuse 服务不可达时，Agent 主流程仍可完成，并有可诊断日志。
• 有 unit / integration test 覆盖 tracing wrapper / score writeback / failure fallback。
• 必须完成至少 1 次真实模型 + 实际检索/工具链路的运行，并在 PR 中提供 Langfuse trace 链接或截图。只完成 mock、SDK 初始化、hello-world trace 不算完成。

Deliverables

PR 描述中请附：

1. 配置方式与所需环境变量；
2. trace/span 结构说明；
3. score schema；
4. 一次真实运行的 trace 证据；
5. telemetry 失败情况下的降级测试结果。

Notes

这项工作重点是 observability + evaluation infrastructure，不是单纯“接入 Langfuse SDK”。尽量将 tracing 封装在统一边界，避免业务代码到处散落 Langfuse-specific 调用。