完成查询优化：谓词下推、投影下推和常量折叠，配置好了benchmark

benchmark/README.md

@@ -0,0 +1,93 @@
+# ChuSQL 基准测试
+
+这个目录放**性能基准测试**，和 `chusql-engine`、`chusql-storage` 的功能代码分开，
+因为它回答的问题不一样：功能代码回答"对不对"，基准测试回答"快不快、快多少"。
+
+```
+benchmark/
+├── README.md                  本文件：怎么跑、测什么、结果怎么解读
+├── chusql-engine/             Haskell 查询层：优化器开/关的对比
+│   ├── stack.yaml             把 chusql-engine 作为本地包引入
+│   ├── chusql-bench.cabal
+│   └── src/Main.hs
+└── chusql-storage/            Rust 存储层：预留（见该目录下的 README）
+```
+
+---
+
+## 怎么跑
+
+```bash
+cd benchmark/chusql-engine
+stack run                      # 默认 users=500 行、orders=500 行
+stack run -- 1000 1000 0.5     # 也可以自己指定：users 行数、orders 行数、每批目标秒数
+```
+
+第一次跑要编译，之后很快。整个默认跑完约 5 秒。
+
+---
+
+## 测什么
+
+四个用例，**每个都跑两遍**：一遍走"翻译出来的原始工序单"，一遍走"优化后的工序单"。
+两次的结果行数会被打印出来互相对照，**不一致会当场标出来**。
+
+| 用例 | 想看什么 |
+| ---- | -------- |
+| `JOIN` + `WHERE u.age > 90` | 谓词下推的主场：条件能筛掉约 90% 的行 |
+| `JOIN`（无 WHERE） | 只剩投影下推在起作用，收益应该温和 |
+| `JOIN` + `WHERE` + `ORDER BY` + `LIMIT` | 规则叠加时的综合效果 |
+| 单表 `WHERE age > 90` | 对照组：没有下推空间，优化器只剩固定开销 |
+
+---
+
+## 计时怎么做（两个坑都踩过了）
+
+**坑一：Haskell 是惰性的，不强制求值就等于没测。**
+如果只写 `let r = evalRelOp db plan`，`r` 根本没被算出来，测到的是"定义一个变量"的时间。
+所以每次必须把结果**算到底**（本项目里是逐行把列数累加起来当校验和）。
+
+**坑二：Windows 上 CPU 时钟的精度只有约 15.6 毫秒。**
+优化后的查询只要几毫秒，直接测会得到 `0.0 ms` 这种没意义的数字。
+
+所以计时用的是**自适应批量**：把同一个用例连续跑 `k` 次测一整批，`k` 不断翻倍，
+直到一批累计耗时超过目标值（默认 0.3 秒），再折算成单次耗时。
+这样时钟精度的误差会被 `k` 摊薄，几毫秒的用例也能测准。
+程序会打印实际用了多大的批次（例如"优化后 64 次/批"）。
+
+跑正式计时之前还会**预热两遍**，避免把首次构造表数据的开销算进去。
+
+---
+
+## 实测结果
+
+**环境**：Windows，GHC 9.10.3，`-O2`
+**数据**：`users` 500 行（`id / name / age`，`age` 只有 0-99 共 100 种取值），
+`orders` 500 行（`id / user_id / product`），两表配对共 25 万对。
+
+| 查询 | 结果行数 | 未优化 | 优化后 | 加速 |
+| ---- | -------- | ------ | ------ | ---- |
+| `JOIN` + `WHERE u.age > 90` | 45 | 125.0 ms | **7.1 ms** | **17.7x** |
+| `JOIN`（无 WHERE） | 500 | 132.8 ms | 105.5 ms | 1.3x |
+| `JOIN` + `WHERE` + `ORDER BY` + `LIMIT 10` | 10 | 171.9 ms | **10.3 ms** | **16.8x** |
+| 单表 `WHERE age > 90` | 45 | 0.111 ms | 0.153 ms | 0.7x |
+
+### 怎么解读
+
+- **前两行的差距来自谓词下推。** 条件筛掉了约 90% 的用户，配对次数从 25 万降到约 2.25 万，
+  时间直接掉一个数量级。筛得越狠，省得越多。
+- **第二行只有投影下推。** 配对次数一点没变（没有条件可下推），只是每一行变窄了，
+  所以只有 1.3 倍 —— 收益温和但确实是正的。
+- **第四行反而略慢。** 单表查询本来就没有下推空间（条件早已贴着扫描），
+  而优化器自己要走一遍规则，有几十微秒的固定开销（0.153 − 0.111 ≈ 0.04 ms）。
+  **优化不是零成本的**：查询越大、配对越多，这笔账才越划算。
+
+---
+
+## 加新用例
+
+在 `src/Main.hs` 的 `queries` 列表里加一条 SQL 字符串就行，其余全自动
+（会自动翻译、优化、跑两遍、比结果、算加速比）。
+
+想测别的规模，直接命令行传参；想在文档里引用数字，记得把**数据规模一起写上** ——
+脱离规模谈"快了几倍"是没有意义的。