docs(harness-eval): add EFC paper reference notes for design and experiments

[howie]

Why（為什麼要做）

harness-eval skill 目前的 D1–D11 評分有兩個根本限制：

1. 權重全是專家直覺，從未用實證 outcome 驗證過——我們無法回答最根本的問題：「分數高的 repo，真的比較容易讓 agent 成功嗎？」
2. 加總式絕對分數有規模偏誤——分數是 D1–D11 累加到 /123，artifact（skill / hook / rule）越多分越高，導致大 repo 天然佔便宜，5-file 小 repo 與 500-file 大 repo 直接比並不公平。

這個 PR 借用論文 Scaling Laws for Agent Harnesses via Effective Feedback Compute（EFC）的兩個方法論概念，開始把 harness-eval 從「直覺評分」往「可證偽的預測模型」推進。

Provenance caveat：該論文為未來日期（2026-05）且引用虛構模型，本 PR 僅把它當作方法論框架參考（task-demand 正規化、R²/MAE 驗證協定），不作為實證權威；研究筆記開頭已明確標註此 caveat。

What（這個 PR 做了什麼）

三個 commit，由輕到重：

1. 研究筆記（docs/research/2026-06-03-efc-...reference.md，純文件）
   把 EFC 論文概念逐項對映到 harness-eval 現有 scanner，分成 Track A（設計微調）與 Track B（資料收集／驗證），並排出 impact × effort 優先順序。不改任何程式碼。

2. 兩份 Spectra change proposal（openspec/changes/，純規格）

   • add-task-demand-normalization（追蹤 feat(harness-eval): 以 task-demand 正規化分數，讓不同規模 repo 可比 (EFC D_task) #136）
   • add-harness-eval-validation-protocol（追蹤 feat(harness-eval): 建立 R²/MAE prospective-holdout 驗證協定，檢驗分數預測力 #143，R²/MAE prospective holdout 驗證協定）

3. D_repo task-demand 正規化的實作（feat(harness-eval): 以 task-demand 正規化分數，讓不同規模 repo 可比 (EFC D_task) #136，唯一動到程式碼的 commit）

   • models.py：ScanOutput 新增 d_repo / d_repo_components / size_adjusted_score / size_adjusted_note，並在 model_post_init 算 size_adjusted_score = round(total / d_repo, 1)
   • service.py：新增 _count_source_loc / _count_skills / _count_hooks / _count_rules 與 _compute_d_repo（log 縮放、恆 ≥ 1.0、防禦式解析）
   • cli.py + SKILL.md：報告輸出 raw 分 + size_adjusted 分，並明確標記 provisional（未校準，見 #143）
   • tests/test_scanners.py：新增 13 個 TDN-DT / SMK 測試

Value（價值）

• 跨 repo 可比：size_adjusted_score = 機械總分 / D_repo 抵銷「artifact 越多分越高」的加總式膨脹，讓不同規模的 repo 可橫向比較相對成熟度。
• 工程誠實：size_adjusted_score 被明確標記為 provisional（未經 outcome 校準）——真正的權重校準需要實證資料（feat(harness-eval): 建立 R²/MAE prospective-holdout 驗證協定，檢驗分數預測力 #143 的工作），在校準前僅供相對比較、不可當絕對門檻。先承認不確定性，再分階段補強。
• 鋪路：研究筆記 + 兩份 proposal 把後續 trace/EFC 收集器（feat(harness-eval): 新增 transcript trace 收集器，抽 9 個 φ(e_t) 特徵算 Estimated-EFC #140）、outcome proxy labels（feat(harness-eval): 收集 outcome proxy labels（CI 結果 / prompt 次數 / AP block 次數） #142）、R²/MAE 驗證協定（feat(harness-eval): 建立 R²/MAE prospective-holdout 驗證協定，檢驗分數預測力 #143）的路徑都規劃好了。

How to test（如何驗證）

# 1. 跑本 PR 新增的 13 個 task-demand normalization 測試
uv run pytest tasks/harness_eval/tests/test_scanners.py \
  -k "TDN_DT or SMK" -v

# 2. 全量 CI（ruff + mypy + pytest + pre-commit --all-files）
make ci

# 3. 實際掃描本 repo，確認報告出現 size_adjusted 與 D_repo
uv run python -m tasks.harness_eval scan
#    預期輸出含：
#      Size-adjusted: <分數> [provisional（未校準，見 #143）]
#        D_repo = <值>  (<components>)

驗證重點：

• size_adjusted_score = round(total_mechanical / d_repo, 1)，且 d_repo 恆 ≥ 1.0
• 大 repo 的 size_adjusted 差距 < raw 差距（TDN-DT-007）
• _compute_d_repo 對同一 repo 具確定性（TDN-DT-008）

已知 caveat（commit message 內 T042 已註明）：make ci 中唯一未綠者為 pre-existing 的 test_factory_helper_oserror_skipped（root 環境下 chmod 0o000 無法擋讀，clean tree 亦失敗），與本變更無關；本 PR 的 ruff + mypy + 13 個 TDN 測試全綠。

---

🔗 相關 issue：#136（task-demand normalization）、#143（validation protocol）、#140 / #142（前置依賴）