hillclimb：Claude API 功能降本

读一下这篇指南：https://claude.dev/blog/automating-eval-design-and-hillclimbing/

然后先列出项目里所有调用 Claude API 的地方，估一下哪个最花钱，让我挑一个。用 claude-api skill 里的 build-eval 给它搭一套测试，开跑前先告诉我大概要花多少 API 费用。

测试题和评分方式我确认之后，在新分支上用 hillclimb 优化，目标是准确率不降、成本下降，可以试更低的 effort 和更便宜的模型，包括 Sonnet 5.5。报告里写清三件事：
1. 每一步改了什么，准确率和每次调用的成本各变了多少。
2. 哪些便宜配置做错了，错在哪。
3. prompt 里删掉或加上了哪些句子。

跑完先给我看报告，我确认之前别合并。