test/benchmark: turn bench_agents.py into an adaptive stress test

[sufubao]

背景

test/benchmark/bench_agents.py 用多 session、独立长 system prompt 和持续增长的多轮历史模拟 agent 流量。本次把原来的固定健壮性/性能套件改为真正的自适应压力测试：持续递增负载，找到饱和点后保持压力，便于暴露过载、超时和长时间运行问题。

压力测试模式

• 新增 --stress：从 --stress-start-qps 开始，按 --stress-step-qps 逐级增加到 --stress-max-qps。
• 每级持续 --stress-step-sec；一旦达到饱和条件就停止递增，并在该 QPS 持续运行 --stress-hold-sec。
• 饱和条件可配置：
  • achieved QPS / target QPS 低于 --stress-min-achieved-ratio；
  • 失败或 drain 后仍未完成的请求比例高于 --stress-max-error-rate；
  • session 全忙导致的 blocked tick 比例高于 --stress-max-blocked-rate。
• 每阶段实时打印进度，同时写入 <out>/<phase>.log；最终生成 <out>/report.md，标出首个饱和 QPS、失败率、blocked 比例、TTFT 等数据。
• --quick 将 ramp/hold 时长缩短为四分之一，便于快速验证流程。

一并保留/修复

1. 兼容 thinking 模型在 reasoning / reasoning_content / text 等字段中的流式输出。
2. 派发前占用 session，避免 catch-up 时同一 session 被并发重复派发。
3. 使用全部相邻 token 间隔计算 ITL，并将真实生成回复写回 history。
4. warmup 请求仍计入完成/失败/unfinished 统计，但只从延迟分位数中排除，避免把 warmup 成功请求误报为 unfinished。
5. 输出同时写终端和阶段日志，长时间压力保持阶段可实时观察。

用法

# 自适应压力测试：递增到饱和后保持压力
exp -m "agent stress ramp" python test/benchmark/bench_agents.py --stress

# 快速跑通流程
exp -m "quick agent stress ramp" python test/benchmark/bench_agents.py --stress --quick

# 自定义 ramp 和 hold
exp -m "custom agent stress ramp" python test/benchmark/bench_agents.py --stress \
    --stress-start-qps 5 --stress-step-qps 5 --stress-max-qps 100 \
    --stress-step-sec 60 --stress-hold-sec 300 --num-sessions 256

# 仍可运行单一固定负载点
exp -m "single agent stress load" python test/benchmark/bench_agents.py \
    --qps 20 --num-sessions 128 --duration-sec 300 --warmup-sec 10

改动范围

仅修改 test/benchmark/bench_agents.py，不影响服务端运行时逻辑。