perf: LLM 批量上限 15 → 30，减少一半调用

Step2 / Step5 两个 LLM 必跑步骤把单次请求承载量翻倍：

- step2_merge_redundancy.py: BATCH = 15 → 30
  （高频字段分类，21 个字段 → 1 次 LLM 调用，原来 2 次）
- step5_missing_comments.py: BATCH = 15 → 30
  （缺失注释推测，119 个字段 → 4 次 LLM 调用，原来 8 次）

每次调用时间略增（更多 input/output tokens），但消除了网络
往返 + LLM 服务侧 per-call 启动成本，总耗时预计缩短 30-50%。

未上更大 batch 的考虑：Step2 每条 item 约 100 tokens，
30 条后 prompt 已 ~3000 tokens，再大会撞输出 token 上限
并触发 LLM 注意力衰减。

首次跑后请观察 start.log 中 LLM 命中成功率（之前 119/119），
若下降到 100/119 以下需回调 BATCH。

AST 全部通过。

web/core/step_impl/step2_merge_redundancy.py

@@ -236,7 +236,7 @@ def _find_redundancy(by_table: dict, llm, log: Callable | None) -> list[dict]:
         }
         for f, n in candidates
     ]
-    BATCH = 15
+    BATCH = 30
     annotated: list[dict | None] = []
     total_batches = (len(llm_inputs) + BATCH - 1) // BATCH
     for batch_idx in range(0, len(llm_inputs), BATCH):

web/core/step_impl/step5_missing_comments.py

@@ -68,7 +68,7 @@ def run_step5(dict_data: dict, llm: LLMClient | None = None,
             log("INFO", "  · 无缺失注释字段，跳过 LLM", step="5")
         return _empty_result(by_table)
 
-    BATCH = 15
+    BATCH = 30
     predicted = []
     unpredicted = []
     llm_called = 0