三个检查承担了大部分评估工作：把实际步数和预期区间对比，撞上步数上限的运行会和四步就跑完的运行清晰分开；检查工具调用，被调用却没返回可用结果的工具、以及本该触发却从未触发的工具都无处藏身；检查轨迹即动作序列，能抓住重跑、跳步和循环。