同一个任务让十个代理并发跑，然后看它们在哪里吵起来

📋 概述

让编码代理把同一件不那么简单的事做两遍，会得到两个都说得通的实现。作者忍了很久却没法处理：n=1 只是轶事，读完 diff 决定喜不喜欢，真正的问题——它另外九次会怎么做——根本不会浮现；n=2 也只是比较，不是分布。于是他花一天做了 multirun：把一个任务并行跑十次，每次各自隔离（独立 git worktree、独立 Postgres 分支），再 diff 这十次对数据库做了什么。这十次在 schema 上完全一致，却在两个没人要求做的决定上正好 5 比 5 分裂。这就是他能写出的最便宜的一次评测：没有裁判模型，没有基准集。