repeat_n_gate.py

LLM评估缺陷导致生产环境bug；已修复

一个软件开发团队在合并代码后遇到了生产环境故障，最初被有缺陷的评估指标所掩盖。该评估仅运行一次，由于统计噪音和一个将截断运行计为成功的错误超时处理程序，错误地报告了93%的通过率。这导致了一个有问题的重构被合并，从而引起了生产环境错误。该团队此后实施了一个新的评估门控，该门控考虑了通过率和多次运行结果的稳定性，并使用Wilson分数区间来确保统计显著性。