建议: 添加上下文基准测试技能和 CI 示例

我已经深入研究了高级评估和上下文压缩技能，发现它们非常有用。我注意到，目前在设计这些评估和在生产工作流中实现它们之间存在差距。我想建议添加一个新的操作技能和相应的示例，以弥补这一差距。 提案:

1. 新技能 (skills/operational-skills/context-benchmarking): 一份关于如何设置基准反馈循环的指南。这将涵盖指标 (延迟与召回)、防止检索质量下降以及自动测试的保障措施。