flow 与 flow-steps 的五条 grader 还在判消息形状，改成判可观测行为 #126

这是什么

agent-system#117 的审查（Standards 轴）指出：flow 与 flow-steps 评测里有几条 grader 判的是消息形状，不是可观测行为，与 skill-authoring 的 eval-cases 规则（agent-system#116 落地）「grader 判可观测行为，不判消息形状；每条 llm grader 只判一件事」不符。它们都是 #116 之前写的，#117 只换了词没改判据：

• plugins/flow/evals/docking-record/graders/four-columns.md：只判四个栏名在不在。
• plugins/flow/evals/docking-record/graders/header.md、plugins/flow-steps/evals/wrap-up-pr-body/graders/header.md：regex 判标题字面。
• plugins/flow-steps/evals/wrap-up-pr-body/graders/docking-and-one-ask.md、plugins/flow-steps/evals/worktree-baseline-open/graders/gate-message.md：一条 llm grader 合判四五件事。

#117 里没改，理由：票的范围是换词，改判据会让改前改后两份结果对不上。

建议

另立一条票，把这几条 grader 改成判内容（四栏各写了什么、站会记录能不能让下一个会话接上）而不是判字面，拆成一条一件事；改完在 flow 与 flow-steps 各跑一轮门评测。与 agent-system#123（收口）可以合并做，也可以单独做，请主人定。